深度學習 (Deep Learning) 是一種基於人工神經網絡的機器學習技術，
旨在從大量數據中學習抽象特徵表示。
其核心是通過多層非線性轉換（即「深度」結構）來自動提取數據的高層特徵，
從而實現複雜任務（如圖像識別、自然語言處理）。
深度學習的核心概念：
神經網絡：
由神經元組成的數學模型，模仿生物神經網絡的信息處理方式。
多層結構：
包括輸入層、隱藏層（多層）、輸出層，隱藏層越多，模型表達能力越強。
自動特徵提取：
通過訓練，模型能自動從數據中學習相關特徵，而不需要人工設計。
大規模數據和算力：
深度學習的成功依賴於大量標記數據和強大的計算資源（如 GPU）。
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）。
CNN 卷積神經網絡（Convolutional Neural Network）
定義
卷積神經網絡（CNN）是一種專門用於處理結構化數據（特別是圖像）
的深度學習模型。
CNN 通過卷積運算和特徵提取的方式，從圖像中學習局部模式和層次化特徵，
廣泛應用於圖像分類、目標檢測、語音識別等領域。
常見應用場景
圖像分類
手寫數字識別（MNIST）。
圖像標籤分類（如 CIFAR-10、ImageNet）。
目標檢測
偵測圖像中的物體及其位置（如 YOLO、Faster R-CNN）。
語音處理
語音情緒分析。
語音識別（與 RNN 或 Transformer 結合）。
醫學影像分析
CT/MRI 圖像的腫瘤檢測。
醫學影像分類與分割。
自駕車
路標識別。
車道線檢測。
RNN 遞歸神經網絡（Recurrent Neural Network）
定義
RNN 是一類 專為處理序列數據設計的神經網絡，它可以利用數據中的
時間順序信息，讓網絡對當前輸入和之前的狀態進行建模。
因此，RNN 非常適合處理像時間序列、語言數據、音頻信號等
帶有上下文或依賴關係的數據。
核心思想：
RNN 在時間維度上引入了循環結構，允許隱藏層的輸出影響下一步的計算，
形成「記憶」效果。
常見應用場景
自然語言處理（NLP）
情感分析（Sentiment Analysis）。
語言建模（Language Modeling）。
機器翻譯（Machine Translation）。
時間序列分析
股價預測。
天氣預測。
信號處理（如音頻分類）。
語音識別
轉錄語音到文本。
生成任務
文本生成（如 ChatGPT）。
圖像字幕生成。
發表文章
