2.7 萬次觀看
※ 摘要僅根據標題與說明
深度學習
Deep Learning ・ 78 筆內容
神經網路、反向傳播、CNN、RNN 等深度學習的原理與實作。
也叫做：深度學習、deep learning、神經網路、神经网络、neural network、neural networks、反向傳播、backpropagation、CNN、RNN
排行前 28 名
依相關、人氣、新鮮度綜合排序；站長推薦的加成
台大資訊 深度學習之應用 | ADL 6.1: Pretraining 預訓練（在新分頁開啟原站）
陳縕儂在 NTU 的 ADL 課程中，介紹了深度學習預訓練（Pretraining）的應用，幫助讀者理解如何從大量資料中學習基礎能力。
1,870次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.6: Prompting Paradigm 基於提示的研究大補帖（在新分頁開啟原站）
陳縕儂教授在 NTU 的影片，介紹了 Prompting Paradigm 如何應用於深度學習，並探討了基於提示的研究方向。
1,331次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 4.1: Attention Mechanism 注意力機制（在新分頁開啟原站）
陳縕儂在 NTU 的影片，詳細解釋了深度學習中的注意力機制，幫助讀者理解其運作原理與應用。
3,072次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 4.3: Multi-Head Attention 不同類型的注意力關係（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中不同型別的注意力機制及其應用，涵蓋了從基礎概念到實際架構的完整教學。
2,812次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 3.4: RNN Applications RNN各式應用（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習應用中的迴歸神經網路（RNN）實作，並展示了其多樣用途。
1,191次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 3.3: Recurrent Neural Network 簡介（在新分頁開啟原站）
本影片由陳縕儂在 NTU 講授，介紹深度學習中的迴歸神經網路（RNN），並說明其應用場景。
935次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 3.2: Language Modeling 語言模型（在新分頁開啟原站）
本影片由 NTU 陳縕儂教授於 2026 年 9 月 7 日錄製，深入探討深度學習中語言模型的應用。
850次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 5.1: BPE (Byte-Pair Encoding) Tokenization 如何將字詞切成小單元（在新分頁開啟原站）
陳縕儂教授在 NTU 的影片，介紹如何將字詞切成小單元以應用深度學習。
664次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.5: (Soft) Prompt-Tuning (P-Tuning, Prefix Tuning) 人不懂沒關係機器懂就好（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中的 Soft Prompt-Tuning (P-Tuning)，透過調整 Prompt 而非模型引數來提升效能。
457次觀看※ 摘要僅根據標題與說明
- 5,300次觀看
※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 4.2: Self-Attention & Transformer 自注意力機制之模型（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中自注意力機制與 Transformer 模型的核心概念，並展示了其在實際應用中的潛力。
808次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 3.1: Word Representations 用機器看得懂的方式表示詞彙（在新分頁開啟原站）
影片由陳縕儂在 NTU 教授，介紹如何將文字轉化為機器可理解的表示，並探討深度學習在自然語言處理中的應用。
1,148次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 3.2: Deep Learning 類神經網路改名為深度學習才能一飛衝天?（在新分頁開啟原站）
台大資訊系教授陳縕儂在影片中指出，將人工智慧領域的「類神經網路」改稱為「深度學習」，能讓該技術一飛衝天。
319次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 4.1: Deep Learning Challenges Recap 使用深度學習會遇到的各個難題（在新分頁開啟原站）
台大資訊系教授陳縕儂在影片中指出，使用深度學習時常面臨資料不均衡、模型過擬合、訓練耗時及可解釋性等四大挑戰。
259次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 3.5: Deep Learning Optimization 訓練深度學習模型需要很多小撇步（在新分頁開啟原站）
台大資訊系教授陳縕儂在影片內介紹了 AI 領域的 Deep Learning Optimization 訓練深度學習模型所需的小撇步。
397次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 3.3: Neural Network Hypothesis 如何建構深度學習的類神經網路（在新分頁開啟原站）
本影片由陳縕儂在 NTU MiuLab 分享，介紹如何從零開始建構深度學習的類神經網路，涵蓋基礎概念與實作步驟。
520次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 4.8: When to Deep? 甚麼時候適合用深度學習呢（在新分頁開啟原站）
台大資訊系教授陳縕儂在影片中指出，深度學習並非萬能，需根據具體情境判斷何時使用，強調需謹慎評估資料與問題性質。
177次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 1.3: Machine Learning Recipe 請按照步驟來用機器學習（在新分頁開啟原站）
台大資訊系教授陳縕儂在影片裡，一步步帶你從零開始學習如何使用機器學習。
739次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 4.7: Regularization Techniques for Deep Learning 訓練模型時不能不知道的小撇步（在新分頁開啟原站）
台大資訊系教授陳縕儂在影片中指出，訓練深度學習模型時，使用 Regularization Techniques 是避免模型過擬合的關鍵，讀者可掌握其基本應用。
157次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 14.1: Beyond Supervised Learning 沒有標註時的實用小技巧（在新分頁開啟原站）
台大資訊系教授陳縕儂在 ADL 14.1 課程中，針對深度學習應用提出實用技巧，幫助讀者掌握超越傳統監督學習的技術。
957次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 14.5: Self-Supervised Learning (Self Prediction + Contrastive Learning) 自監督式學習（在新分頁開啟原站）
本影片由台大資訊系教授陳縕儂在 ADL 課程中講解深度學習之應用，重點在於自監督式學習（Self-Supervised Learning），涵蓋自預測與對比式學習兩大技術。
474次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 14.7: Multimodality 像人類一樣能看能聽能說話（在新分頁開啟原站）
本影片由台大資訊系陳縕儂老師在 ADL 14.7 課程中，介紹深度學習如何應用於多模態處理，讓 AI 具備像人類一樣同時理解與生成文字、影像與聲音的能力。
1,000次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 14.2: Auto-Encoder 學習一個好的資料表示方法（在新分頁開啟原站）
本影片由陳縕儂在 NTU MiuLab 分享，介紹深度學習中自動編碼器（Auto-Encoder）如何學習高效用資料表示方法。
429次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 14.4: Dual Learning 兩個對稱任務可以互相幫助（在新分頁開啟原站）
介紹台大資訊系 ADL 課程中關於深度學習應用的一堂，探討兩個對稱任務如何互相協助。
382次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 14.3: Variational Auto-Encoder (VAE) 控制特徵的分布以生成用（在新分頁開啟原站）
介紹了台大資訊系深層學習課程中關於變分自編碼器（VAE）的應用，重點在於如何控制特徵的分佈以生成資料。
509次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 13.9: Conversation Evaluation 評估對話系統的好壞（在新分頁開啟原站）
本影片由陳縕儂在 NTU MiuLab 分享，探討台大資訊系如何透過深度學習技術來評估對話系統的效能。
323次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 13.6: Plan-and-Execute 規劃策略後執行（在新分頁開啟原站）
介紹台大資訊系 ADL 13.6 課程中關於深度學習應用與規劃策略後執行的核心概念，幫助讀者理解 AI 如何從規劃到執行。
356次觀看※ 摘要僅根據標題與說明
最新
依發布時間
「把刀柄握好了，才敢放手讓 AI 做更多的事。」鴻海、TeamT5、SAS 與 KPMG 四大專家分析高科技製造 Edge AI Agent 的資安實戰（在新分頁開啟原站）
本文匯聚鴻海、TeamT5、SAS 與 KPMG 四位專家，分析 Edge AI Agent 如何從「對話」演變為「實體執行」，並探討如何透過 Micro-segmentation 與健康檢查機制，確保 AI 行為可追溯與可控。
2026 in LLMs (so far)（在新分頁開啟原站）
回顧了 2026 年 AI 領域的關鍵趨勢，包括 Claude Opus 4.5 與 GPT-5.1 的推出、OpenClaw 等「Claw」軟體的爆發式成長、以及 Deep Blue 工程師倦怠感的現象。
台大資訊 深度學習之應用 | ADL 6.6: Prompting Paradigm 基於提示的研究大補帖（在新分頁開啟原站）
陳縕儂教授在 NTU 的影片，介紹了 Prompting Paradigm 如何應用於深度學習，並探討了基於提示的研究方向。
1,331次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.5: (Soft) Prompt-Tuning (P-Tuning, Prefix Tuning) 人不懂沒關係機器懂就好（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中的 Soft Prompt-Tuning (P-Tuning)，透過調整 Prompt 而非模型引數來提升效能。
457次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.4: (Hard) Prompt-Tuning, LM-BFF 用自然語言提示模型（在新分頁開啟原站）
介紹了深度學習中 Prompt-Tuning 與 LM-BFF 兩種技術，並說明它們如何透過自然語言提示來提升模型效能。
468次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.3: Issues of PLMs 預訓練模型世代的難關（在新分頁開啟原站）
陳縕儂在 NTU 的影片探討預訓練語言模型（PLMs）在應用中的關鍵挑戰，內容聚焦於模型如何平衡泛化能力與特定任務的表現。
767次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.2: Encoder-Only, Decoder-Only, Encoder-Decoder Pretraining 常見三大類預訓練模型（在新分頁開啟原站）
本影片由 NTU 陳縕儂教授於 2026 年 9 月 21 日公開，深入解析深度學習中 Encoder-Only、Decoder-Only 及 Encoder-Decoder 三種預訓練模型的應用與差異。
642次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.1: Pretraining 預訓練（在新分頁開啟原站）
陳縕儂在 NTU 的 ADL 課程中，介紹了深度學習預訓練（Pretraining）的應用，幫助讀者理解如何從大量資料中學習基礎能力。
1,870次觀看※ 摘要僅根據標題與說明
- 3,433次觀看
※ 摘要僅根據標題與說明
- 1,199次觀看
※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 5.1: BPE (Byte-Pair Encoding) Tokenization 如何將字詞切成小單元（在新分頁開啟原站）
陳縕儂教授在 NTU 的影片，介紹如何將字詞切成小單元以應用深度學習。
664次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 4.3: Multi-Head Attention 不同類型的注意力關係（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中不同型別的注意力機制及其應用，涵蓋了從基礎概念到實際架構的完整教學。
2,812次觀看※ 摘要僅根據標題與說明
