深度學習｜內行人的做法

懂得學習的機器

|

7

基於本書的安排，我們把深度學習定義為具有大量參數和許多神經層的神經網路，其中

各層網路有可能採用以下四種結構：

• 無監督預訓練網路（UPN，Unsupervised pretrained networks）

• 卷積神經網路（CNN，Convolutional neural networks）

• 遞迴神經網路（RNN，Recurrent neural networks）

• 遞歸神經網路（Recursive neural networks）

上述架構也可能存在各種變化的形式，例如可以把卷積和遞迴神經網路混合使用。在本

書的安排下，我們會把這四種架構當成重點來介紹。

相對於傳統的機器學習演算法，「特徵提取自動化」可說是深度學習的其中一大優勢。

在面對大量資料時，我們可以用網路來找出資料中的某些特徵，以做為資料的一種可靠

標記方式，而這整個過程就是所謂的「特徵提取（feature extraction）」。在過去，機器

學習的專業工作者往往需要花費好幾個月、好幾年甚至好幾十年的時間，才能以人工方

式創建出詳盡的特徵組合，為資料進行妥善的標記與分類。自從 2006 年深度學習開始

呈現大爆發的進展之後，某些最先進的機器學習演算法很快便吸取到這幾十年來人們在

資料分類提取特徵方面所累積的經驗。深度學習幾乎在每一種資料型態的判斷正確性方

面，全都超越傳統演算法的表現，而且只需要更少的調整與人力的付出。這些深度網路

可協助資料科學團隊少付出許多血汗，進而去實現其他更有意義的任務。

跳進兔子洞 ...