Page 116 - 物聯網金融商機

108

chine Learning，ML) 所發展出的新領域，目前主要先應用於

識別文字、圖像和聲音等數據。深度學習中的深度是指由非線
性運算的多層次，它是多個隱層的神經網感知器而且相對於淺
層學習結構，例如：支持向量機 (Support Vector Machine，

SVM)、人工神經網絡 (Artificial Neural Networks，ANN) 等，
它就是深層次的神經網絡，即深度神經網絡 (Deep Neural
Networks，DNN)，它不受傳統神經網絡對層數的限制，因為
它是採取在運算過程中，當前一層非線性函數資料訓練完成後
就將此當作下一層的輸出，以如此循環逐層方式再次訓練，進

而產生更多層次，而經過這樣自動地學習多層的運作，期望能
使更少的參數逼近高度非線性函數。而在這樣逐層訓練過程
中，它以特徵學習能力，將在原空間的樣本特徵呈現轉換到新
的特徵空間，如此使得低層特徵呈現可更接近抽象的高層呈現

(representation)，如此更有利於分類或預測特徵的可視化，這
樣的可視化在仿生學角度方面來看，是可模擬人類大腦皮層的
運作，如此造成具有模擬神經元的人工神經網絡，例如：人類
視覺系統，它包含了不同的視覺神經元。神經元是構成神經網

路的基本單元。當這些神經元受到刺激後，也就是輸入參數，
這時這些神經元之間關係，會經過彼此對應關係運作 (特徵組
合)，則某些神經元就會產生輸出，也就是會有刺激反應。再

例如：低層特徵聲音波動訊號，經過多層次學習能力組合，而
轉換成聲波組合單字的聲音，也就是抽象有意義的句子，這就
是低層級處理 (聲波) 辨識出抽象高層級的意義 (句子)。目前
深度學習在自然語言處理、圖像檢索、人體運行行為識別及行
人檢測應用領域已有成果展現，而它也和大數據分析開始整

合，它利用深度學習分層進行的輸入數據處理所得到的數據特