什么是深度学习?
想理解深度学习（Deep Learning, DL），最简单的解释，可以将深度学习视为机器学习，若更进一步的定义，深度学习就是机器学习的进化版，是数据科学中的组成关键。
先来浅谈机器学习的定义。机器学习是 AI 人工智能的一种应用方法，通过大量的特征数据来训练 AI 模型，借由学习的过程，不断缩小真值与预测结果的差异，让 AI 模型最终能自行判断出正确结果。
图1. 深度学习包含在机器学习中
而深度学习，简单来说就是包含在机器学习中，它与机器学习的差异在于，机器学习使用算法来剖析数据，而深度学习是以“层次性”为算法的基础概念，通过模拟人脑的运作方式，创建人工神经网络（Neural Network），形成数学函数的集合，只要将输入的值丢入其中，经过大量的训练过程，进行复杂运算，有效处理非结构化数据，最终机器可得出比拟人类的行为判断。
深度学习是如何运作的？
图2. 鸟图
或许你会好奇，人工神经网络的深度学习，又该如何运作的呢？
让我们以幼儿学习为例。当家长要让幼儿学习辨识鸟类图像，以及发出鸟的发音，首先，家长会指着图片中的鸟发出正确的音，随后幼儿可能会陆续发出相似的发音，经过修正直到他们能理解这个字为止。而这种学习的过程，与人工神经网络有异曲同工之妙。
让我们以幼儿学习为例。当家长要让幼儿学习辨识鸟类图像，以及发出鸟的发音，首先，家长会指着图片中的鸟发出正确的音，随后幼儿可能会陆续发出相似的发音，经过修正直到他们能理解这个字为止。而这种学习的过程，与人工神经网络有异曲同工之妙。
其實人工神其实人工神经网络是一种多层级结构，由输入层（input layer）、隐藏层（hidden layer）、输出层（output layer）所构建而成，每一层都蕴含不同权重（weight）跟变量（parameter），以多节点分析图片上的特征，最低层计算像素的黑白对比，第二层则依据第一层数据分辨边线等线条，通过层层非线性函数运算，最后将由输出层产出终值，也就是图片的分类与辨识。
图3. 人工神经网络
由于这类的神经网络需要多层神经元进行资料处理，通过一层一层的对比才能运行，运算复杂性相对高，而这也是为什么，深度学习被赋予「深度」概念的原因。
为什么深度学习很重要?
其实与 AR 一样，深度学习并不是全新的科技概念。早在1980年代，深度学习就以不同概念被提出，但当时电脑运算能力不足，验证成效不彰，直到近年来高性能处理器的出现及硬件的进步，才大幅提升数值运算速率，慢慢让外界将焦点转移到深度学习上，至今相关研究及应用仍不断推陈出新。
开发人员及数据科学家会利用深度学习程序，进行语音、图像、文字等辨识，进而分析复杂且庞大的数据资料，间接推动许多日常 AI 应用，像是 iPhone 内建的 Siri 虚拟助手，就是仰赖深度学习技术而生的真实案例。
深度学习有哪些用途？
深度学习是近期热门的 AI 技术，包含语音识别、自然语言处理、图像识别等，举凡各种和生活相关领域，都是其常见应用。
语音识别
语音识别（Speech Recognition）这项技术，最主要的目的是希望电脑能理解人类所说的话，让电脑自动将语音内容转成文字，并依据语音信号执行任务。现行较常见的语音识别应用，包含语音文件检索、听写资料录入、语音导航、室内装置控制等。
自然语言处理
自然语言处理（Natural Language Processing, NLP）是 AI 的分支，是可协助电脑理解、解释及操控人类语言的技术，而相关应用也早已深入日常生活中，像是电子邮件的筛选器、智慧助手、资料及文字分析等。
以 Apple 的 Siri 和 Amazon Alexa 这类的智慧助手为例，它们就是藉由语音识别功能辨识人类的指令，根据对话信息提供相对应的答案，协助用户有效处理各项事务。当然，随着物联网装置日益普及，智能助手的应用已逐渐扩大至企业层面，如同步会议记录、自动化虚拟客服等。
影像识别
影像识别，主要的目的是让电脑能从图像及视频中，进而提取信息，电脑通过深度学习进行数据理解，以协助人类进行数据判断的技术。图像识别领域是近年来深度学习发展中，相对蓬勃的区块，如产品瑕疵检测、医疗影像、智慧家居、人脸及车牌识别等应用，都能看到其身影。
深度学习会面临那些挑战？
虽然深度学习应用日益普及，但事实上，深度学习技术的推进仍面临挑战。
高质量的数据资料
深度学习的训练，是使用大量数据进行的过程，当数据越多，机器学习的模型越能跑出正确的结果。
不过值得注意的是，由于数据参杂异常或是错误信息，容易影响深度学习模型的判读，因此深度学习算法要能精准，需要大量高质量的资料训练才能得出更佳的解答。
软硬件运算能力
随着近年来AI技术日趋复杂，大量数据训练也成为模型性能好坏的关键。而训练的成效，除了高品质数据外，可提高数据处理效率的高性能GPU及处理单元，都是不可或缺的基础设施。