AI底層原理：從機器學習到深度學習完整解析
隨著 人工 智慧（ AI） 技術 快速 發展， 像是 ChatGPT、 影像 辨識、 語音 助理、 自動 駕駛 等 應用 已經 深入 我們 的 生活。 但 很多 人 仍然 好奇： AI 到底是 怎麼「 學習」 的？ 深度 學習（ Deep Learning） 又是 什麼？ 這篇文章 將從 AI 的 基礎 架構 開始， 一步步 解析 深度 學習 的 底層 原理 。 一、 AI 技術 架構 AI 其實是 一個 很大 的 概念， 通常 分成 三個 層次： 人工智慧 (AI) │ ├── 機器學習 (Machine Learning) │ │ │ ├── 監督式學習 │ ├── 非監督式學習 │ └── 強化學習 │ └── 深度學習 (Deep Learning) │ ├── 神經網路 (Neural Network) ├── CNN ├── RNN └── Transformer 簡單 理解： 技術 說明 AI (Artificial Intelligence) 模擬人類智慧，使電腦可以進行思考、推理與決策 Machine Learning 讓電腦從資料中自動學習規律，而不需要明確寫出所有規則 Deep Learning 利用多層神經網路來進行學習，能處理更複雜的資料與模式 二、 機器 學習 的 基本 概念 機器 學習 的 核心 目標 是： 讓 電腦 從 資料 中 找到 規律 例如： 輸入 資料 房屋大小 -> 房價 透過 大量 資料 訓練 模型 後： 模型可以預測未知房屋價格 常見 機器 學習 方式： 1 監督 式 學習 ( Supervised Learning) 資料 有 標籤 例如： 圖片 ...