AI時代系列(2) 機器學習三部曲: 🔹 第二部：《深度學習 —— 神經網路的革命》
2/100 第一週：深度學習基礎入門
2.深度學習與傳統機器學習的差異 🔍 自動特徵學習，讓模型自己找到關鍵！
______________________________________
✅ 核心概念：
傳統機器學習（如決策樹、SVM、隨機森林）依賴「人工特徵工程」，需要人類專家根據經驗手動提取特徵。
而深度學習（Deep Learning）依靠多層神經網路（Neural Networks），具備「自動學習特徵」的能力，能從大量原始數據中自行挖掘關鍵模式。
📌 簡單說：
傳統 ML：專家選特徵 → 演算法學習 → 預測
深度學習：資料輸入 → 神經網路自學 → 預測結果
________________________________________
✅ 核心差異比較表：
傳統機器學習與深度學習在資料處理方式、資源需求與適用範疇上存在明顯差異。
傳統機器學習仰賴人工進行特徵工程，需經過謹慎的特徵選擇與前處理，適合中小型結構化資料，且運算需求較低、模型解釋性較高，如決策樹等演算法易於理解與追蹤。
相對地，深度學習則透過自動特徵學習能處理大量非結構化資料，如影像、語音與自然語言，雖然表現卓越，但高度仰賴大規模資料與強大運算資源（如 GPU/TPU），且模型透明度較低，屬於黑盒性質。整體而言，兩者各有適用情境，選擇應依任務性質與資源條件而定。
________________________________________
✅ 代表技術與演算法：
傳統 ML: 深度學習:
Logistic Regression 多層感知器（MLP）
決策樹 / 隨機森林 卷積神經網路（CNN）
支援向量機（SVM） 循環神經網路（RNN / LSTM / GRU）
KNN / Naive Bayes Transformer / BERT / GPT 等
________________________________________
✅ 深度學習優勢應用場景：
應用領域 → 深度學習應用優勢
影像辨識 CNN 自動學習邊緣、輪廓、物體 → 超越人類辨識力
語音辨識 RNN/LSTM 模擬語言時序 → 可即時聽懂說話內容
自然語言處理 Transformer 捕捉上下文語意 → 生成、翻譯、摘要皆優
醫學影像分析 → 檢測腫瘤、判讀影像，輔助診斷
自駕車 → 多模態感測器融合，強化即時辨識與決策能力
________________________________________
✅ 關鍵技術突破 🔧
1️⃣ 自動特徵提取
🔹 網路學會從原始資料中抽象出重要特徵，不再依賴人工設計
🔹 降低人力成本，提高模型泛化能力
2️⃣ 端到端學習（End-to-End Learning）
🔹 輸入到輸出全自動建模
🔹 範例：影像輸入 → 直接輸出貓狗分類結果
3️⃣ 表徵學習（Representation Learning）
🔹 網路各層能漸進式抽象資訊：像素 → 邊緣 → 結構 → 類別
________________________________________
✅ 小結與實戰啟發 🌟
✅ 傳統 ML 更適合「資料較小 + 解釋性要求高」的應用
✅ 深度學習則在「資料多元 + 資料龐大 + 非結構資料」中表現亮眼
✅ 深度學習是 神經網路革命的代表，是 AI 發展最關鍵的一環！
