3.Deep_Learning
深度學習（Deep Learning）是機器學習的子領域，基於人工神經網路（Artificial Neural Networks）所發展，用於處理結構複雜、規模龐大的資料，尤其在圖像、語音與自然語言處理上展現出色表現。
核心概念
神經元（Neuron）：模擬生物神經元的基本運算單元，接收輸入、加權計算後輸出。
層（Layer）：由多個神經元組成，包含輸入層、隱藏層與輸出層。
激活函數（Activation Function）：非線性轉換，使模型能學習複雜特徵（如 ReLU、Sigmoid、Tanh）。
前向傳播（Forward Propagation）：計算每層輸出，直至模型輸出結果。
反向傳播（Backpropagation）：計算損失函數的梯度並更新參數。
常見深度學習架構
DNN
表格、數值資料
基本多層全連接網路（fully connected）
CNN
圖像處理
卷積操作可抓取區域特徵
RNN / LSTM
時序與語言模型
處理序列資料，具記憶性
Transformer
NLP、語音、圖像等
採 attention 機制，擴展性強
TensorFlow/Keras 模型範例
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
model = Sequential([
Dense(64, activation='relu', input_shape=(10,)),
Dense(64, activation='relu'),
Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=32)常見超參數（Hyperparameters）
學習率（learning rate）：控制每次參數更新的幅度。
批次大小（batch size）：每次訓練所取樣的資料數。
訓練次數（epochs）：訓練資料被完整瀏覽的次數。
層數與神經元數量：模型結構設計的關鍵。
模型評估指標
準確率（Accuracy）
損失（Loss）
混淆矩陣（Confusion Matrix）
AUC / ROC 曲線
應用範疇
醫療影像診斷（如腫瘤偵測）
自動駕駛（影像與雷達融合）
自然語言處理（如聊天機器人、翻譯）
金融風險預測（詐騙偵測、信用評分）
深度學習藉由大量資料與強大運算能力，能自主學習特徵並在多項任務中達成超越傳統方法的表現。理解基本架構與實作流程，是進入人工智慧世界的重要基礎。
Last updated