人工智慧、機器學習以及深度學習已變成現(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其意義，使得人們常常混淆。以下這篇文章將帶領各位理解其定義，并且簡單的探討機器學習與深度學習基本概念與運算過程。

一、人工智慧（Artificial Intelligence） ：

所謂的人工智慧（Artificial Intelligence） 是人類建立于機器上的類似大腦智慧的一種判斷機制。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、學習等等特性，而形成類似人類的「智慧」。其中利用大量的硬體設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、以麥克風收集聲音作為耳朵等等。

人工智慧隸屬于大範疇，包含了機器學習（Machine Learning） 與深度學習（Deep Learning）。如下圖所示，我們最興趣的深度學習則是規(guī)範于機器學習之中的一項分支，而以下段落將簡單介紹機器學習與深度學習的差異。

二、機器學習（Machine Learning）：

機器學習是一種透過演算法設計，讓機器去尋求最佳化的一種學科。能幫助人們探討一些復雜的問題，比如需要從一大堆數(shù)據(jù)資料判斷貓與狗時，從前人們必須利用過往的實驗經(jīng)驗反覆地找出判斷規(guī)則或是最佳的判斷機制。而透過機器學習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，將資料送至機器上進行演算找出最好的解答或是模型。以下將介紹機器學習的類別：

機器學習主要可分類成

1. 監(jiān)督式學習 ：

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

非監(jiān)督式學習 ：

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

強化式學習 ：

則是「不需給機器任何資料」，讓機器不斷從互動中學習，并利用獎懲與成效評估的機制，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。

近年來深度學習的基礎皆來至于類神經(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。因為利用數(shù)個節(jié)點進行判斷，很像人類的神經(jīng)元故以神經(jīng)網(wǎng)路而命名。然而此算法運算量頗大，當時又缺乏硬體設備，造成神經(jīng)網(wǎng)路的發(fā)展受到侷限，且當時支撐向量機（SVM）正受到學界關注，故類神經(jīng)網(wǎng)路不受青睞。

時間線回到現(xiàn)今，因有充足的硬體設備使得神經(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 長短時記憶網(wǎng)路、 RBF 神經(jīng)網(wǎng)路等等算法，我們所認知的卷積神經(jīng)網(wǎng)路（CNN）也是從中發(fā)展而來，其中類神經(jīng)網(wǎng)路最具代表性的設計為反向傳遞的機制 ，經(jīng)由不斷迭代，對比預測值與實際值之間的誤差，以修正模組中的權重，竟而達到最佳化之目的，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神經(jīng)元，我們透過這些神經(jīng)網(wǎng)的傳遞與訊號，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 并代入權重相加計算，得到一個評分數(shù)值 y，藉由這個數(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)個神經(jīng)元（感知器）所構成的復雜網(wǎng)路。最基礎神經(jīng)網(wǎng)路架構可分作輸入層、隱藏層、輸出層，如下圖所示：

而透過大量的資料訓練以及反向傳播的機制，不斷誤差修正各個感知器的權重，因此可以清楚地反映資料分布，竟可能找出最佳化真實模型。訓練資料的方式常以是數(shù)張圖片，以同樣規(guī)格尺寸與特徵進行訓練與分類。雖然神經(jīng)網(wǎng)路可以很好的反應出最佳化模型，但直接代入圖片至類神經(jīng)網(wǎng)路進行訓練并不能獲得一個很好的模型，其狀況是因為構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、深度學習（Deep Learning）

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

卷積神經(jīng)網(wǎng)路（Convolutional Neural Network， CNN ），為具代表性的深度學習算法之一，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，對圖片進行特徵提?。╢eature extraction），其中卷積的遮罩係數(shù)則是隨機產(chǎn)生的。透過卷積濾波器產(chǎn)生的特徵，送至分類器（Classification）進行分類即為卷積神經(jīng)網(wǎng)路。

（此圖出處于參考文獻）

卷積神經(jīng)網(wǎng)路（CNN）主要可分為

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

池化層（pooling layer）：對不同位置的特徵進行統(tǒng)計，并取平均值或最大值作為最佳參考點，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果進行平坦化，并接到最基本的神經(jīng)網(wǎng)絡。

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

透過深度學習的方式，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術專家對 CNN 架構進行研究并舉辦比賽，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的深度夠深，對于模型的準確度越高，故而稱為深度學習。