機械學習跟深度學習的差異？ 簡單來說，深度學習是機器學習的一個分支（類似於「矩陣是數學的一部分」的概念）。兩者最大的核心差異在於資料處理方式、模型複雜度與對人工特徵工程（Feature Engineering）的依賴程度。 2. 用一個直觀例子理解：分辨「貓與狗」 假設我們要設計一個系統來識別圖片中的動物是貓還是狗： 傳統機器學習的做法： 工程師需要先動腦想出貓和狗的差別（特徵），例如「耳朵形狀」、「鬍鬚長度」、「眼睛比例」，並用程式碼手動將這些特徵抽取出來傳給演算法，演算法再根據這些特徵去分類。如果圖片背景太雜亂或特徵沒抓好，準確率就會大幅下降。 深度學習的做法： 直接把數十萬張「貓與狗」的原圖丟進深度神經網路（如 CNN）。網路的第一層可能會學習識別邊緣與線條，中間層學習識別幾何圖形與器官，深層則學習組合成完整的面部結構。整個特徵抽取的過程全由模型自動完成。 3. 如何選擇？ 😊適合選擇機器學習的情境： - 資料量較少或主要是結構化表格資料（例如：客戶流失率預測、信用評分、房價預測）。 - 需要清楚解釋模型為何做出這個決策（符合法規或業務需求）。 - 算力資源與預算有限，追求快速上線。 😊適合選擇深度學習的情境： - 處理非結構化資料（例如：影像識別、自然語言處理、語音識別、生成式 AI/LLM）。 - 資料量極大，且傳統演算法的效能已經達到瓶頸。 - 追求極致的預測準確度，且不在意決策過程是否為黑盒子。