人工智慧、機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)已變成現(xiàn)今最熱門的話題之一，但以字面上的意思不足以清楚的表達(dá)其意義，使得人們常?；煜?。以下這篇文章將帶領(lǐng)各位理解其定義，并且簡單的探討機(jī)器學(xué)習(xí)與深度學(xué)習(xí)基本概念與運(yùn)算過程。

一、人工智慧（Artificial Intelligence） ：

所謂的人工智慧（Artificial Intelligence） 是人類建立于機(jī)器上的類似大腦智慧的一種判斷機(jī)制。其目的以編寫程式的方式，模擬出人類大腦中的決策，并模仿、理解、學(xué)習(xí)等等特性，而形成類似人類的「智慧」。其中利用大量的硬體設(shè)備作為資訊來源作為訊息的接收，舉例以鏡頭串流影像作為人眼、以麥克風(fēng)收集聲音作為耳朵等等。

人工智慧隸屬于大範(fàn)疇，包含了機(jī)器學(xué)習(xí)（Machine Learning） 與深度學(xué)習(xí)（Deep Learning）。如下圖所示，我們最興趣的深度學(xué)習(xí)則是規(guī)範(fàn)于機(jī)器學(xué)習(xí)之中的一項(xiàng)分支，而以下段落將簡單介紹機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的差異。

二、機(jī)器學(xué)習(xí)（Machine Learning）：

機(jī)器學(xué)習(xí)是一種透過演算法設(shè)計(jì)，讓機(jī)器去尋求最佳化的一種學(xué)科。能幫助人們探討一些復(fù)雜的問題，比如需要從一大堆數(shù)據(jù)資料判斷貓與狗時(shí)，從前人們必須利用過往的實(shí)驗(yàn)經(jīng)驗(yàn)反覆地找出判斷規(guī)則或是最佳的判斷機(jī)制。而透過機(jī)器學(xué)習(xí)方式則提供許多有效率的演算法，幫助人們分析資料，比如說資料群聚分布，資料的回歸模型等等，將資料送至機(jī)器上進(jìn)行演算找出最好的解答或是模型。以下將介紹機(jī)器學(xué)習(xí)的類別：

機(jī)器學(xué)習(xí)主要可分類成

1. 監(jiān)督式學(xué)習(xí) ：

須將每筆資料標(biāo)記上一個(gè)「標(biāo)籤」，比如是與非回答、狗與貓、蘋果與橘子，利用大量已知標(biāo)籤資訊與資料訓(xùn)練的方式建立出一個(gè)分類器（Classifier）或稱模型（Model）。除了資料分類，監(jiān)督式學(xué)習(xí)亦包含回 歸分析（Regression）算法。最具代表的算法有 Adaboost 、SVM 、Neural Network 等等。

非監(jiān)督式學(xué)習(xí) ：

「無須標(biāo)記標(biāo)籤」于每筆資料，常以資料的分布狀況去建立一個(gè)分類器。除了聚類分類（clustering），非監(jiān)督式學(xué)習(xí)亦包含降低維度（dimensionality reduce）以及關(guān)聯(lián)規(guī)則（ association rule）等演算法。 最具代表的算法有 Kmean 、PCA 等等。

強(qiáng)化式學(xué)習(xí) ：

則是「不需給機(jī)器任何資料」，讓機(jī)器不斷從互動(dòng)中學(xué)習(xí)，并利用獎(jiǎng)懲與成效評(píng)估的機(jī)制，不斷嘗試與修正至最佳化的模型。最具代表的算法有 Q-Learning 、SARSA 等等。

近年來深度學(xué)習(xí)的基礎(chǔ)皆來至于類神經(jīng)網(wǎng)路的演算法，以下先簡單介紹此算法。

類神經(jīng)網(wǎng)路（Neural Network）：

近年回歸于熱門的就是類神經(jīng)網(wǎng)路（Neural Network），起源1943年于 沃倫·麥卡洛克 和 沃爾特·皮茨 為一種閾值邏輯的演算法。因?yàn)槔脭?shù)個(gè)節(jié)點(diǎn)進(jìn)行判斷，很像人類的神經(jīng)元故以神經(jīng)網(wǎng)路而命名。然而此算法運(yùn)算量頗大，當(dāng)時(shí)又缺乏硬體設(shè)備，造成神經(jīng)網(wǎng)路的發(fā)展受到侷限，且當(dāng)時(shí)支撐向量機(jī)（SVM）正受到學(xué)界關(guān)注，故類神經(jīng)網(wǎng)路不受青睞。

時(shí)間線回到現(xiàn)今，因有充足的硬體設(shè)備使得神經(jīng)網(wǎng)路重新受到矚目，竟而發(fā)展出 RNN 遞迴神經(jīng)網(wǎng)路、 LSTM 長短時(shí)記憶網(wǎng)路、 RBF 神經(jīng)網(wǎng)路等等算法，我們所認(rèn)知的卷積神經(jīng)網(wǎng)路（CNN）也是從中發(fā)展而來，其中類神經(jīng)網(wǎng)路最具代表性的設(shè)計(jì)為反向傳遞的機(jī)制 ，經(jīng)由不斷迭代，對比預(yù)測值與實(shí)際值之間的誤差，以修正模組中的權(quán)重，竟而達(dá)到最佳化之目的，以下將簡單介紹類神經(jīng)網(wǎng)路（NN）的算法。

探討架構(gòu)之前須理解感知器（Perceptron），而所謂的感知器可想像為人類大腦中的每一個(gè)神經(jīng)元，我們透過這些神經(jīng)網(wǎng)的傳遞與訊號(hào)，給我們做出正確的判斷。如下圖所示，我們可將資料作為 x1 至 xd 并代入權(quán)重相加計(jì)算，得到一個(gè)評(píng)分?jǐn)?shù)值 y，藉由這個(gè)數(shù)值去判斷是與否、狗與貓等等二元分類的答案。

回到類神經(jīng)網(wǎng)路可以說是一種多層的感知器模型，可以想像成數(shù)個(gè)神經(jīng)元（感知器）所構(gòu)成的復(fù)雜網(wǎng)路。最基礎(chǔ)神經(jīng)網(wǎng)路架構(gòu)可分作輸入層、隱藏層、輸出層，如下圖所示：

而透過大量的資料訓(xùn)練以及反向傳播的機(jī)制，不斷誤差修正各個(gè)感知器的權(quán)重，因此可以清楚地反映資料分布，竟可能找出最佳化真實(shí)模型。訓(xùn)練資料的方式常以是數(shù)張圖片，以同樣規(guī)格尺寸與特徵進(jìn)行訓(xùn)練與分類。雖然神經(jīng)網(wǎng)路可以很好的反應(yīng)出最佳化模型，但直接代入圖片至類神經(jīng)網(wǎng)路進(jìn)行訓(xùn)練并不能獲得一個(gè)很好的模型，其狀況是因?yàn)闃?gòu)成良好的模組之前須帶入有效的特徵數(shù)據(jù)或是良好的特徵擷取，才能獲得較佳的模型。

叁、深度學(xué)習(xí)（Deep Learning）

對于有效的特徵數(shù)據(jù)一直都是機(jī)器學(xué)習(xí)中一個(gè)較深論的課題，近年來深度學(xué)習(xí)出現(xiàn)簡化這項(xiàng)問題， 直接打破上述這些思維。所謂的深度學(xué)習(xí)與機(jī)器學(xué)習(xí)最大的差異，就是輸入端的特徵提?。?！ 而深度學(xué)習(xí)將會(huì)透過卷積的方式，取代了特徵提取這個(gè)環(huán)節(jié)，如下圖說明機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的主要差異。

卷積神經(jīng)網(wǎng)路（Convolutional Neural Network， CNN ），為具代表性的深度學(xué)習(xí)算法之一，是由類神經(jīng)網(wǎng)路演化而來。 如下圖所示，此算法透過卷積（Convolution）的方式，對圖片進(jìn)行特徵提?。╢eature extraction），其中卷積的遮罩係數(shù)則是隨機(jī)產(chǎn)生的。透過卷積濾波器產(chǎn)生的特徵，送至分類器（Classification）進(jìn)行分類即為卷積神經(jīng)網(wǎng)路。

（此圖出處于參考文獻(xiàn)）

卷積神經(jīng)網(wǎng)路（CNN）主要可分為

卷積層（convolution layer）：利用隨機(jī)產(chǎn)生的遮罩進(jìn)行特徵提取。

池化層（pooling layer）：對不同位置的特徵進(jìn)行統(tǒng)計(jì)，并取平均值或最大值作為最佳參考點(diǎn)，以減少資料特徵維度。

全連接層（fully connected layer）：是將之前的卷積與池化后之結(jié)果進(jìn)行平坦化，并接到最基本的神經(jīng)網(wǎng)絡(luò)。

透過上述所介紹的主要的叁個(gè)層，即可完成一個(gè)CNN架構(gòu)，如下圖所示為最典型的CNN架構(gòu)。

透過深度學(xué)習(xí)的方式，簡單的將提取到有效的特徵。盡而逼近最佳模型。因此近年來有許多學(xué)術(shù)專家對 CNN 架構(gòu)進(jìn)行研究并舉辦比賽，目前較熱門的 CNN 模型有 LeNet、VGG、ResNet 等等，并經(jīng)由研究得知只要架構(gòu)的深度夠深，對于模型的準(zhǔn)確度越高，故而稱為深度學(xué)習(xí)。