---
title: "深度學習（Deep Learning）"
slug: deep-learning
language: zh-TW
source: https://aiterms.tw/terms/deep-learning
updated_at: 2026-04-29
tags: [深度學習, 神經網路, 模型訓練, AI基礎]
ipas_term: true
---

# 深度學習（Deep Learning）

> **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
> **Q：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。
>
> **Q：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。
>
> **Q：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。
>
### 相關術語
> - **機器學習**：先有資料理解，後面才好進入模型
> - **卷積神經網路**：讀完這個再看它，可以把上下游概念串起來
> - **循環神經網路**：讀完這個再看它，可以把上下游概念串起來
> - **轉換器架構**：讀完這個再看它，可以把上下游概念串起來
> - **批次正規化**：讀完這個再看它，可以把上下游概念串起來

---

來源：https://aiterms.tw/terms/deep-learning
快查頁：https://aiterms.tw/terms/deep-learning
外部參考：https://ipd.nat.gov.tw/ipas/certification/AIAP/news/ffdba0fcdbda40baadeef2a1bdc0230e
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-deep-learning