卷積神經網路（Convolutional Neural Networks）是深度學習領域的發展主力，它也被稱為 CNNs 或 ConvNets， 電腦視覺這領域是因為CNN的關係在近幾年有了許多重大進展， CNN 在影像辨識中甚至可以超越人類辨識的精準度。
它是一個很直觀的演算法，概念跟人類以眼睛去辨識有模擬相似之處。以下可以分為四個部分來介紹，分別是填白（padding）、stride 步長、池化（pooling）以及卷積（convolution）。
Google首席執行長Sundar Pichai：「設計神經網路相當耗時，它對專業知識有極高要求，使得只有少數科研人員和工程師才能參與設計。這就是我們創建AutoML方法的原因，有了它，神經網路也可以設計神經網路。」
Pichai所說的使用「神經網路也可以設計神經網路」就是神經網路結構搜尋；通常使用強化學習或進化演算法來設計新的神經網路結構。
當我們開始進入深度學習世界時，最常會想知道的就是，到底要挑選哪一種框架來入門？
目前在最大的開源社群Github上，可已找到20種星星數超過一千的深度學習框架，而排名第一的TensorFlow更有將近10萬個星星，可以得知，深度學習受到大家關注當選擇深度框架時，我們能從以下幾個面向來考慮，將分別介紹。
神經網路的基本思想是模擬計算機「大腦」中多個相互連接的細胞，這樣它就能從環境中學習，識別不同的模式，進而做出與人類相似的決定。
以下針對神經網路與深度學習發展的幾大重要趨勢進行說明，因為深度學習發展非常快速，本文是2016至2019年的發展趨勢說明，後續仍可能有更多的發展趨勢。
在先前Q30什麼是特徵工程？為大家說明了什麼是特徵工程，及進行 特徵學習的六大問題， 它對資料科學家來說，預測模型是使用統計模型預測未來結果的作法，現在在AI領域相當盛行。成功的預測模型的基礎，就叫做「特徵工程」（Feature Engineering），它是資料科學流程中最耗費時間的步驟，涉及許多測試、錯誤。
特徵工程的目的是從原始特徵空間中選擇少量的相關特徵作為資料的表示。
而現在的深度學習技術強調的是從原始資料中直接學習有效的資料表示，並且在很多工上取得了很好的效果。
那麼是不是能進一步解讀，有了深度學習就不用再執行特徵工程了呢？答案當然是否定的。深度學習創造出各種模型，其中許多人會納悶DNN、CNN、RNN這幾個網路有什麼不同？作用差別為何？彼此之間的關係？
以下將簡單針對網路、應用場景，來介紹主流的4種神經網路。
「深度學習是讓機器模擬人腦的運作方式，進而和人類一樣具備學習的能力。」，會這麼解釋是因為深度學習中，人類提供的函數集是由類神經網絡（artificial neural network）的結構所定義。
「簡單說，深度學習就是一個函數集，如此而已。」 類神經網絡和人腦確實有幾分相似之處，我們都知道人腦是由神經元（neuron）所構成，類神經網絡也是由「神經元」連接而成。
類神經網路是指一堆函數的集合，我們丟進一堆數值，整個網路就輸出一堆數值，從其中找出最好的結果，也就是機器運算出來的最佳解。
深度學習是機器學習的一種方法。「機器學習技術，就是讓機器可以自我學習的技術。」
更白話來說，機器學習就是讓機器根據一些訓練資料，自動找出有用的函式（function）。
例如，將機器學習技術運用在語音識別系統，就是要機器根據一堆聲音訊號和其對應的文字。
Newer Posts