深度學習 (DL)
深度學習革命始於 2010 年左右。
從那時起，深度學習解決了許多“無法解決”的問題。
深度學習革命並非由單一發現引起。它大概發生在幾個必要因素都已準備就緒之時：
- 計算機速度足夠快
- 計算機儲存足夠大
- 發明了更好的訓練方法
- 發明了更好的調優方法
神經元
科學家們一致認為，我們的大腦有 800 到 1000 億個神經元。
這些神經元之間有數千億個連線。
圖片來源：巴塞爾大學生物中心。
神經元（也稱神經細胞）是我們大腦和神經系統的基本單元。
神經元負責接收外部世界的輸入，傳送輸出（給肌肉的指令），以及處理其間的電訊號。
神經網路
人工神經網路通常被稱為神經網路 (NN)。
神經網路實際上是多層感知器。
感知器定義了進入多層神經網路的第一步。
神經網路是深度學習的精髓。
神經網路是歷史上最重要的發現之一。
神經網路可以解決無法透過演算法解決的問題
- 醫學診斷
- 人臉檢測
- 語音識別
神經網路模型
輸入資料（黃色）經過隱藏層（藍色）處理，再經過另一個隱藏層（綠色）修改，最終產生輸出（紅色）。
Tom Mitchell
Tom Michael Mitchell（生於 1951 年）是一位美國計算機科學家，卡內基梅隆大學（CMU）的大學教授。
他曾任 CMU 機器學習系的系主任。
E：經驗（出現的次數）。
T：任務（駕駛汽車）。
P：效能（好或壞）。
長頸鹿的故事
2015 年，倫敦帝國理工學院的學生Matthew Lai創造了一個名為Giraffe的神經網路。
Giraffe 經過 72 小時的訓練，就能以與國際象棋大師相同的水平下棋。
計算機下棋並不新鮮，但這個程式建立的方式是新的。
經典的國際象棋程式需要數年時間才能構建，而 Giraffe 使用神經網路在 72 小時內建成。
深度學習
經典程式設計使用程式（演算法）來產生結果
傳統計算
資料 + 計算機演算法 = 結果
機器學習使用結果來建立程式（演算法）
機器學習
資料 + 結果 = 計算機演算法
機器學習
機器學習通常被等同於人工智慧。
這是不正確的。機器學習是人工智慧的一個子集。
機器學習是人工智慧的一個學科，它使用資料來教導機器。
“機器學習是一個研究領域，它賦予計算機在不被程式設計的情況下學習的能力。”
Arthur Samuel (1959)
智慧決策公式
- 儲存所有動作的結果
- 模擬所有可能的結局
- 將新動作與舊動作進行比較
- 檢查新動作是好是壞
- 如果新動作較不壞，則選擇它
- 不斷重複
計算機能夠這樣進行數百萬次的事實，證明了計算機可以做出非常明智的決策。
