M04 深度學習與代表架構

M04.01

AI 的大腦不是真的腦 — 但運作邏輯有幾分相似

神經網路感知器激活函數深度學習前向傳播

M04.02

深度學習不是萬能鑰匙 — 資料少、要解釋的場景，傳統 ML 可能更好

深度學習機器學習比較特徵工程模型選擇可解釋性

M04.03

CNN 不是一次看整張圖 — 它像用放大鏡一小塊一小塊地掃描

CNN 卷積神經網路影像辨識深度學習電腦視覺

M04.04

RNN 有記憶 — 它知道前面發生了什麼，才能預測接下來會發生什麼

RNN 序列模型 LSTM GRU 時間序列深度學習

M04.05

Attention Is All You Need — 一篇論文改變了整個 AI 產業

Transformer 注意力機制 Self-Attention BERT GPT 深度學習

M04.06

模型答錯了怎麼辦？算出錯多少、往對的方向調整 — 重複幾百萬次

反向傳播梯度下降損失函數優化器模型訓練深度學習

M04.07

不用從零開始 — 用別人訓練好的模型當基底，再微調成你的專家

遷移學習預訓練模型微調領域適應深度學習

M04.08

CPU 是全才教授，GPU 是千人工廠 — 矩陣運算要的是人海戰術

GPU CPU CUDA 深度學習硬體雲端運算 TPU

M04.09

工具不重要？錯了 — 選錯框架可能讓你的專案多花三個月

PyTorch TensorFlow Keras HuggingFace 深度學習框架工具選擇

M04.10

深度學習很強，但它不擅長小數據、要解釋、要推理的場景

深度學習局限 AI局限小數據可解釋性基礎模型 AI未來趨勢