Page 81 - 高中生活AI大智慧-電子書_Neat

的演算法，是一種以人工神經網路為架構，對資料進行特徵學習的演
算法 ( 如圖 4-4）；所謂的特徵學習能將原始數據轉換成為能夠被機
器學習的形式。它避免了人工手動提取特徵的麻煩，允許計算機學習

使用特徵的同時，也學習如何提取特徵，學習如何學習。
深度學習具有兩個以上隱藏層的神經網路，每一層都有一個輸出

端，被用作下一層的輸入；從前一層處理過的資料觀察並改良，提供
更接近期望值的輸出，試圖從中學習以預測未來的事物；深度學習可
以有效的辨識事物的特徵，能處理抽象的概念，有助於進一步理解數
據，例如影像、聲音和文字等多元訊息，所以深度學習常應用於計算
機視覺，語音識別、自然語言處理和網路威脅檢測。

深度學習和機器學習兩者的不同是，在機器學習中我們需要人
工手動來選擇特徵，較容易存在人為偏見或錯誤，深度學習則通過從

資料中學習來達成，也可以混合各種機器學習演算法來提高性能；也
由於深度學習乃基於機器學習，所以訓練過程也可分為監督式學習和
非監督式學習。實務上，會先讓 AI 進行非監督式學習，將訓練資料
集分群，以得知可能會有哪些資料分類，隨後進行監督式學習，標示

各資料的期望輸出值，重新將訓練資料集中的特徵向量做為輸入，期
望分類作為輸出，透過損失函數 (loss function) 或稱成本函數 (cost
function) 來計算期望輸出與輸出之間的標準差。

事實上機器學習的應用早已遍布在我們的生活當中，舉凡手機上
的手寫或者語音辨識、聲波探測，收費停車場的車牌辨識系統、電子
信箱中自動過濾垃圾信件的程式，及無人車的自動駕駛均是常見的使
用案例，而像是利用機器學習來判斷一張照片中存在著什麼物件，或

是對照片進行人臉辨識、修復受損的照片，乃至於在藝術領域上使用

79