| |
 |
本期介紹深度學習領域中重要的二門分支：卷積神經網路（Convolutional Neural Network, CNN）、循環神經網路（或稱遞歸神經網路Recurrent Neural Network, RNN）及其相關概念。卷積神經網路屬於前饋神經網路（ Feedforward Neural Networks），以單向進行資料傳輸，而 |
|
 |
|
|
透過卷積運算疊代提取特徵，可用以處理格狀結構化數據，常用於影像處理、視訊分析等應用；循環神經網路的傳輸方式則不同，其暫存了前一層的資料納入判斷，適合應用於具有序列概念的資料處理，比如文本、語音、影音等。
課程中另溫習詞向量概念、補充講解自然語言處理技術的二種常見詞表示法：連續詞袋模型（Continuous Bag-of-Words Model, CBOW）及跳躍式模型（Skip-Gram Model, SG），說明如何輔助字詞上下文的預測理解。
|
|
深度學習4：
卷積神經網路（Convolutional Neural Network, CNN）、接受域（Receptive field）、墊零與步長（Zero padding & Stride）、池化（Pooling）、全連接層（Fully Connected Layer）、卷積層（Convolution Layer）
|
 |
深度學習5：
語義詞嵌入（Semantic Word Embedding）、詞向量（Word-Vector Encoding）、連續詞袋模型（Continuous Bag-of-Words Model, CBOW）、跳躍式模型（Skip-Gram Model, SG）
|
|
深度學習6：
遞歸神經網路（Recurrent Neural Network, RNN）原理及應用、Elman RNN、Jordan RNN
|
|
|
|
