深度學習是機器學習的子集，透過多層神經網路自動從影像、文字、聲音等非結構化資料中找出規律，不需要工程師事先手動設計特徵。相較於傳統機器學習仰賴人工挑選特徵，深度學習能直接從原始資料學習，因此特別適合處理資料量龐大、型態複雜的任務，例如醫療影像判讀或語音辨識。
技術上，神經網路由多層節點組成，前面層負責偵測邊緣、紋理等簡單特徵，後面層再組合成物體、語意等高階概念。訓練時資料先經過前向傳播產生預測結果，再用損失函數計算誤差，透過反向傳播調整各層的連接權重，並靠 ReLU、sigmoid 等激活函數決定神經元是否被觸發，如此反覆訓練直到誤差降到可接受範圍。
深度學習之所以受到廣泛討論，是因為它讓電腦視覺、自然語言處理與生成式 AI 出現突破性進展，GitHub Copilot 等工具正建立在這類技術上。但社群也關注代價：訓練大型模型需要大量 GPU 運算資源與電力，且判斷過程像「黑盒」難以解釋，在醫療、金融等受規管產業容易引發疑慮。
對正在學程式的孩子和家長來說，深度學習是一個很好的延伸主題：可以先從 Python 與基礎數學打底，再利用 GitHub 上的開源範例與 Keras 這類簡單框架練習小型專案，例如辨識手寫數字。文章也提醒不必急著使用大型模型，從小資料集慢慢累積經驗，是比較務實的入門方式。
AI機器學習開發工具