深度學習

深度學習(Deep Learning)不是魔法,而是「把很多層神經網路疊起來,讓機器自己學特徵」的一套方法。這張分頁的所有節點,都是它的家族成員。

核心觀念

先破除最大迷思:深度學習不是第四種學習範式。監督式、非監督式、強化學習是「學習方式」;深度學習是一類模型與表示法,三種範式都能套用 — 監督式的影像分類、非監督式的自編碼器、強化學習的 AlphaGo,底層都是深度神經網路。「深」指隱藏層多,能逐層自動學出特徵,省掉傳統機器學習的手工特徵工程。

什麼時候贏過傳統機器學習

資料量大、且非結構化(影像、語音、文字)時,深度學習表現優於傳統機器學習;資料少或表格資料,傳統模型往往又快又準。這條分界線,是選型題的靈魂。

白話理解

傳統機器學習像請專家先把食材切好調好(特徵工程)再下鍋;深度學習像全能主廚,整籃食材直接丟進去,自己拆出層層風味。代價是胃口大(要海量資料)、爐火貴(要 GPU 算力)。

這張地圖怎麼逛(指標跟著任務走)

• 基礎架構:ANN/MLP、激活函數、損失函數、梯度下降;訓練時盯 Loss 值與驗證損失、調學習率、顧收斂速度、防梯度消失問題
• 視覺家族:CNN、YOLO、影像分割、OCR、ViT;指標從準確率、F1-Score、Top-1 與 Top-5 Accuracy、ImageNet 準確率,到 mAP、IoU、FPS、Dice Coefficient、CER 與 WER
• 序列與語言:RNN 到 BERT;看 Perplexity、Accuracy、BLEU、ROUGE,RAG 應用再看 Retrieval Accuracy、Context Recall、Recall@K 與 Human Eval
• 生成式 AI:VAE、GAN、Diffusion;看重建誤差、KL 散度、ELBO、FID、IS、LPIPS、CLIP Score
• 深度強化學習:DQN 到 Actor-Critic;看累積獎勵、成功率、Q 值收斂曲線,PPO 家族再看 Clip 比例與價值損失

🎯 口訣:深度學習是模型不是範式;資料大又非結構化,它才真正發威。

iPAS 考點

歷屆直球:「關於深度學習,下列敘述何者最為正確?」正解方向:它是機器學習的分支,可套用於監督式、非監督式與強化學習,擅長大量非結構化資料。三個必殺陷阱:「深度學習是與監督式並列的第四種學習範式」錯;「深度學習在任何情況都優於傳統機器學習」錯,小資料與表格資料未必;「深度學習不需要訓練資料」錯得離譜。抓住「模型 vs 範式」「資料量與型態」兩把刀,這題穩拿。

📝 本節掛載 1 題 iPAS 歷屆試題 — 讀完往下到「iPAS 考題練習」直接實戰。