DNN 深度神經網絡（Deep Neural Network）
定義
DNN 是一種 具有多層結構 的 人工神經網絡（ANN），
通常包含 輸入層、多個隱藏層 和輸出層。
其目的是
通過 多層非線性 轉換，自動提取 數據的特徵，
並用於 分類、迴歸 等任務。
簡單來說，DNN 是對 基本神經網絡（FNN）的擴展，
增加了隱藏層的數量，從而能處理更複雜的問題。
常見應用場景
分類任務
客戶流失預測（Churn Prediction）。
醫療診斷（例如是否患有某種疾病）。
迴歸任務
銷售預測。
房價預測。
多輸出問題
預測 同時 影響 多個變數 的 情境（例如廣告效果的多維評估）。
基本結構
輸入層（Input Layer）
負責接收 原始數據特徵。
每個神經元 對應數據 的 一個特徵，
例如 數值型數據 中的 每一列。
隱藏層（Hidden Layers）
通過 激活函數引入 非線性能力，允許網絡學習複雜的模式。
層數越多，表達能力越強，但 計算成本 和 過擬合 風險也越高。
輸出層（Output Layer）
負責輸出模型的結果，例如：
分類問題：每個類別 對應 一個輸出 神經元。
迴歸問題：輸出 單一值 或 多個值。
發表文章
