機器學習是什麼？ #
隨著人工智慧的走紅，「機器學習」（Machine Learning）與「深度學習」（Deep Learning）逐漸走入大眾的視野，事實上不論是機器學習還是深度學習，都是人工智慧中非常重要的領域。
機器學習，指的是透過多樣的系統和函數模型，再搭配上大量的資料，讓機器在這些訊息中，找到變動模式以及隱藏資訊，讓電腦擁有自我進化的能力，而能不斷的優化自身。
深度學習跟機器學習又有哪裡不一樣？ #
機器學習再更進階的一個分支就是深度學習。面對機器學習真正能處理的事情在目前的世界也只有一小部分的情況，開發者就開始思考AI是否能夠借鑒人類的大腦？大腦是由數千億的腦神經元所組成的，也因此能夠產生智慧。那麼能不能讓機器去模擬腦神經元，來產生屬於機器的「智慧」？「深度學習」的原始雛形 – 神經網路（Neural Network，簡稱NN）就是這麼來的。
深度學習是由許多的感知器（Perceptron）所組成的模型，這些感知器之於深度學習模型如同神經元之於大腦，這個模型會透過每筆輸出值的回饋來調整內部感知器的權重，最終目的是減少誤差。大數據的資料能不斷的改善深度學習的模型，當誤差減少到達可接受的程度時，就表示這個深度學習模組可以使用了。
AI能夠超越人類智慧？ #
對於深度學習而言，最重要的里程碑無疑是2017年AlphaGo擊敗世界第一棋士柯潔的那一刻，全世界在一瞬間見證了人工智慧的成果 — 能在特定領域，超越人類累積多年的經驗。
這在當時可謂是投下了一顆震撼彈，自此之後AI與人類間的碰撞也愈發頻繁，有一派人認為任由人工智慧發展對人類是一種威脅，另外一派人則主張人工智慧的發展會讓人類有更好的未來。
目前深度學習的應用領域十分的廣泛，特別是影像辨識領域，譬如說近年來的自動駕駛功能，隨著里程數的累積，肇事率也可以通過深度學習逐步降低。而在醫學領域上，深度學習也有長足的發展。
以臨床醫學的診斷來說，病患影像的判讀有著重要的作用，目前許多影像是依靠醫師的肉眼判斷，但是醫師的主觀因素有時會影響判斷的準確率，也佔用醫師非常多的時間。現在台灣各大醫院已經開始透過AI系統的輔助來進行診斷，甚至在某些科別的診斷中，AI的準確率已超過9成。不斷地給予數據及修正模型的情況下，AI診斷的準確率還會不斷的上漲。從這角度來看，AI的進步是相當值得期待的。
