深度學習是什麼？Deep Learning 7 大產業應用、熱門職缺最新動態！

人工智慧（AI）的發展演進中，機器學習是經常被提及的數據演算法，而提到機器學習，就不能不接著提到「深度學習」。究竟深度學習是什麼？與機器學習的差異在哪？又可以應用在哪些功能領域上？本文將介紹深度學習（deep learning）的運作方式、深度學習與機器學習的差別、深度學習的運作模型、產業發展和需求以及相關職缺資訊。

在機器學習環境下，要讓電腦可以學習特定任務、指定動作，科學家需要提供電腦大量的結構化、標籤化資料進行訓練。電腦在不斷接收資料、分析數據的過程中，才能在科學家標籤過的資料中對於特定數據的特徵，在判斷上得以越來越熟練精準；而若電腦的判斷結果有誤，就須透過科學家介入調整，以加強機器學習的精準度。

廣義上來說，深度學習可以說是機器學習的一個分支。跟機器學習不同的是，深度學習是透過「類神經網路（ANN）」為基礎架構，模仿人類大腦建立認知的方式進行資料學習，讓電腦能夠自己建立特徵知識以作分析判斷，而不再透過人們指引或提供已標籤化過的資料進行訓練；亦即，機器學習需要人工介入的方式引導機器進行學習，而深度學習可以讓機器能夠「自主學習」。

深度學習的「深度」，意指多層的神經網路，深度學習透過分層的神經網路演算法，可將大量資料中的特徵進行分層分類，篩選掉低價值的特徵值，保留高價值的特徵，讓電腦能夠汲取出對機器學習更有效的特徵值。

由於能夠自行建立特徵及知識庫，深度學習可以對於更大量的未標籤資料進行分析判斷，也讓深度學習處理應用在更多元的數據資料；而對企業而言，使用深度學習可以減少事先標籤化資料以及許多人工維護資料庫的成本，也讓企業大大增加導入 AI 與深度學習服務的意願。隨著大數據時代的來臨，無標籤資料量劇增，也讓深度學習擁有更大優勢。

深度學習背後的類神經網路有數十種，能因應不同的使用者對電腦學習的應用需求，搭配不同的類神經網路使用。以下分別簡要介紹 4 大深度學習的類神經網路：

• 深度神經網路（DNN）：深度學習以多層的類神經網路 ANN 進行資料判斷，而當神經網路的多層架構達到 5 層以上，便稱為深度神經網路（Deep Neural Networks）。深度神經網路的分層更多，神經網路間的連接結構更多元，適合應用於資料分類（classification）的任務。
• 遞迴神經網路（RNN）：由於計算圖結構的特色，遞迴神經網路（Recursive Neural Networks）可以透過模擬並分析數據間的依賴關係，適合處理有序列相關的數據資料，判斷過去、現在與未來或前後文關係。透過計算圖結構的變型，遞迴神經網路更適合應用於時間相關、自然語言處理（NLP）、語音辨識的深度學習模型中。
• 卷積神經網路（CNN）：透過將接收的資料轉換為二維結構 / 數位矩陣，卷積神經網路（Convolutional Neural Networks）可以更有效率地處理格狀結構化數據（Grid-like Data）。也因此，卷積神經網路更適合被應用於臉部、物件辨識以及影像分類。
• 生成式對抗網路（GAN）：生成式對抗網路（Generative Adversarial Networks）由兩個機器學習模型組成，一為生成網路，另一為判別網路。GAN 的運作模式為生成網路不斷生成數據，判別網路再接著辨識接收的數據真偽，兩邊網路在「對抗」中達到平衡，最終可以生成出更真實、更高解析度的圖像。目前的 GAN 主要應用於影像領域，不過業界判斷生成式對抗網路在影音領域也有相當大的發展潛力。

由於深度學習能夠處理無標籤化的資料，在大數據時代下，深度學習模型擁有近乎無窮無盡的大量數據可以作為訓練數據來源，也因此深度學習可以靈活應用於更多元廣泛的領域中。事實上，深度學習已經陸續被套用在一些前期技術服務上，目前最廣泛應用有以下四大領域：

• 電腦視覺：透過深度模型的影像判別能力，電腦可由圖像、影片中分辨出人像、物件、表情，並自行判斷並執行對該影像、影片內容的下一步動作。
• 語音識別：深度學習模型可以透過語音識別功能，對不同口音、語氣、音調等語音內容進行辨識，並將對話內容轉成文字等。
• 自然語言處理：深度學習可以透過自然語言處理模型，篩選文字、語音重點與意義，進行內容彙整、分析、及回應。
• 推薦引擎：深度學習可以追蹤使用者的行為並進行分析，預測使用者偏好並推薦相似產品或符合偏好的服務；也可以透過整理使用者數據，幫助企業開發新產品服務。

若將這些應用功能合併運用，便能在各式領域中延伸新型態的深度學習應用：

• 社群媒體：透過電腦視覺、語音辨識及自然語言處理，可對平台上內容加強審核篩選，移除不當內容
• 智慧交通：可即時判別路上交通狀況，辨識行人、路面車道規劃、交通號誌，加強自駕車的偵測安全
• 智慧製造：自動偵測工廠內是否有人員、物件位在危險區域內，提升員工的生命安全與設備損失
• 智慧醫療：透過語音識別以及自然語言處理進行電腦問診，協助醫療人員進行診斷，減少醫護人力成本；也可透過電腦視覺協助醫療人員偵測患者癌細胞等病變
• 廣告行銷：透過推薦引擎的運算，深度學習可以幫助商家、串流服務、或行銷團隊自動推播更精準的推薦商品或服務給消費者，例如：Netflix、Spotify 的個人化建議清單
• 財務金融：透過深度學習的序列分析與預測能力，電腦夠協助投資者評估金融產品市場價值；銀行可透過電腦視覺進行銀行資料控管，識別可疑網路活動，加強銀行網路的資料庫安全性
• 數位客服：企業可透過自然語言處理導入聊天機器人，即時接收並針對情境提供實用的回覆，大大減少客服人員的成本

由於深度學習的應用潛力廣泛，越來越多企業接連開出深度學習相關職缺，從影像識別、資料庫分析、語言識別開發、到演算法開發等職位內容皆有涵蓋。若你對於深度學習相關工作有興趣，歡迎上 Cake 平台 尋找更多機會！