深度學習

機器學習：機器如何有智慧

了解有哪些類型的神經網路、機器學習是什麼，以及如何在視覺系統中使用機器學習。

機器和神經網路是怎麼學習的？

「電腦可以在未編寫程式的情況下做出決策和預測」，對於不熟悉的人來說，這種說法可能聽起來像是一個未來的想法，但長期以來這在企業界已是常態，在私部門也有許多使用案例。畢竟，你愛用的串流媒體供應商，總是知道哪些劇集、電影或音樂最適合您。

這個系統背後是一個神經網路，由您的使用行為訓練而成。每個經過機器學習訓練的神經網路，都根據此原理運作；無論是用於個人電視節目觀賞，還是高度複雜的視覺系統：

電腦會收到大量的資料，即輸入。以此訓練資料為基礎，機器持續進行學習，逐漸形成神經網路。這就是處理資料的地方，以便提供足夠的輸出。

Binning 有哪幾種類型？

雖然此順序不會改變，但可以透過多種方式處理訓練資料：

監督式學習：演算法同時接收問題和對應的答案。這些資料是學習而來的，因此只需要正確給予新問題即可。
無監督式學習：演算法僅接收問題，並學習自資料中找出模式和結構。例如以資料的正確分組，就可以進行叢集分析。
強化學習：系統與環境互動，以便透過不正確或正確的行為來學習最佳行動。錯誤的動作會受到懲罰，而正確執行的動作會得到加強。

由於神經網路是演算法的核心，對系統的成功有重大貢獻，因此訓練網路非常重要。Google、微軟和 IBM 等大公司投入大量資金發展機器學習並建構資料庫，這並非巧合。Google 甚至將自己的 TensorFlow 資料庫以開放原始碼對外提供，因此該資料庫不僅可以公開存取，而且還在不斷持續開發。

專注於神經網路

神經網路是一種高度複雜的結構，目的在於模仿人類大腦的結構。透過大量資料的訓練，在網路中會形成越來越多的連結，使演算法在執行所需任務時變得越來越好。任務以及對神經網路的要求，會根據應用領域而有所不同。

深度神經網路：DNN

由多個層次組成的神經網路，稱為DNN ，屬於深度學習的一種。總是有一個輸入層、幾個隱藏層和一個輸出層。隱藏層相互學習，並總是使用接收來自上一層的輸出。這使 DNN 能夠識別複雜的模式和相關性；但相對的，這種方式需要大量資料，才能提供高品質的結果。由於隱藏層很多，加上解決方案的路徑不透明，因此輸出的解釋通常很複雜。儘管如此，由於 DNN 具有理解複雜關係和處理大量資料的能力，因此是分類或模式識別的熱門選擇。

卷積神經網路：CNN

此方法用於影像處理和解讀，因為這種神經網路特別擅長辨識並評估空間特徵。由於這類型的機器學習，影像可以同時進行 3D 和2D 解釋。與 DNN 一樣，具有多個層次，其中影像在畫素層次上進行評估。在卷積層中，網路在以畫素的形狀和圖案來搜尋符合的項目。隨後總是會有一個池化層，於該層中再次簡化影像，最後只保留最重要的影像元件。重複這些層的運算，結果便越來越準確。在輸出層中，CNN 接著決定剛剛看到的物體類型。為了提供正確的結果，還必須提供大量的影像資料給 CNN。

生成式對抗網路：GAN

有了這種類型的機器學習，你真的可以說網路會獨立學習。其資料並非來自資料庫，而是透過兩個網路之間的「競爭」產生。總有一個生成網路和一個鑑別器網路。生成網路提供實際範例和生成的範例，鑑別器網路必須評估和區分這些範例。每次運作時，兩個網路都會改善並互相學習。最終，生成網路將可以生成非常真實的案例。對於 GAN 來說，重點不在於解釋，而在於生成資料，因此這種類型的網路與 CNN 和 DNN 有所不同。