解析：
顯著性圖（Saliency Map）透過計算模型輸出對輸入的梯度，標示出輸入資料中對特定預測結果影響最大的區域。在影像任務中，它能視覺化顯示模型「關注」了圖像的哪些部分。
你看過 AI 會自己看圖、聽聲音、寫文字嗎？ 你可以把 深度學習 想成一層一層往下挖特徵的學習方式。 它其實就是讓模型自己從資料裡抽出有用的表示，不必全靠人工設計。 深度學習是一種機器學習方法，透過多層神經網路自動從原始資料中提取階層特徵，解決複雜問題。圖像、語音、文字這種複雜資料，通常都很吃這套。
容易混淆
vs 傳統機器學習 傳統方法像請專家手工提取特徵，再讓模型學習；深度學習像讓模型自己「看」資料，自動從最底層學會提取有用的特徵。
機器學習 vs 卷積神經網路 機器學習 比較像同一類問題裡的近鄰參考，卷積神經網路 則更像把資料或結構往更深一層整理，兩者的用法不一樣。
最關鍵的區別： 先看它是在做「理解、生成、分組、保護」哪一件事，再看細節。
記住這句就好
層數更深，學到的特徵也更抽象
實際案例
案例一：深度學習 做影像分類 模型先看邊緣和紋理，再把這些低階特徵組成輪胎、貓耳朵或人臉這種高階概念。
案例二：深度學習 做語音辨識 你丟進去的是原始聲波，模型自己學出聲音和文字之間的關聯，不必先手工設計太多特徵。
深入了解
深度學習的核心是多層表示學習，前面層抓局部特徵，後面層組合成更高階概念 它最吃資料量、計算力和標註品質，資料太少時常比不上較簡單的方法 判斷要不要用它，通常不是看酷不酷，而是看問題有沒有足夠複雜
深度學習 真正重要的，不是名詞本身，而是它幫你解決的是哪一類問題。
情境判斷
Q1（直覺題）： 資料量很大、特徵又很複雜時，適不適合考慮深度學習？ → 通常適合，因為深度學習擅長從原始資料裡自己抽特徵。
Q2（判斷題）： 如果資料很少、而且任務規則很明確，還一定要用深度學習嗎？ → 不一定，這時候簡單模型常更穩、更容易解釋；深度學習不是萬能，資料和算力不夠時反而可能得不償失。
iPAS 考題
Q：深度學習和傳統機器學習最核心的差別是什麼？ 核心差別在特徵怎麼來，傳統機器學習多半靠人工設計特徵，深度學習則能自動從資料裡學出階層式特徵。
Q：什麼情況下特別適合用深度學習？ 當資料量大、結構複雜、又很難手工設計特徵時，深度學習通常最有發揮空間。
常見問題
深度學習和機器學習有什麼不同？
深度學習是機器學習的一個子集，主要區別在於特徵提取方式。傳統機器學習需要人工設計特徵，而深度學習可以自動學習。深度學習通常使用多層神經網路，擅長處理高維度數據，而傳統機器學習在數據量較小或特徵明確時可能更有效。
什麼時候應該使用深度學習？
當數據量大、結構複雜，人工難以提取有效特徵時，應考慮深度學習。例如，處理圖像、語音、文本等非結構化數據。此外，計算資源充足也是使用深度學習的有利條件。如果目標是達到 95% 以上的準確率，且有足夠的數據支持，深度學習通常是個不錯的選擇。
初學者學習深度學習最常見的誤解是什麼？
初學者常誤以為深度學習是萬能的。實際上，深度學習只是一種工具，有優缺點。選擇前需評估問題性質、數據質量和數量、計算資源等。盲目使用可能事倍功半。此外，容易忽略數據預處理，認為模型能自動處理所有問題。
範例考題
在深度學習模型的分析與驗證過程中，研究人員有時會利用「顯著性圖（Saliency Map）」來輔助理解模型行為。下列何者最符合此技術的主要用途？
- A. 量化各輸入特徵對模型整體預測準確度的平均影響程度
- B. 標示輸入資料中對單一預測結果影響較大的區域或部分 ✓ 正確答案
- C. 評估在不同模型參數設定下，預測結果的穩定性變化
- D. 比較不同模型架構在測試資料上的泛化能力差異