什麼是機器學習？

機器學習是人工智慧下的子領域，用以處理電腦演算法，那些演算法能透過訓練資料來自我改善，而無需進行顯式程式編寫。機器學習被公認為最有可能實現真正接近人類的人工智慧。

機器學習演算法大致能分為三種：

我們將在本文中概述機器學習和深度學習，以及這兩個概念之間的區別。

深度學習是機器學習下的一個分支，運用人工神經網路來發展近似人類的智能。深度學習源自於人類神經元的概念，運用圖論將權重演算法排至節點和邊緣層中。深度學習演算法非常適合用來處理非結構化資料，如影像或語言。

從技術層面來看，神經網路若要分類為「深度」，必須在感知器的輸入和輸出層之間包含隱藏層，此為神經網路的基本結構。這些層級被視為「隱藏層」，因為它們與外界沒有任何連結。深度學習基礎架構的範例包含：

前饋 (FF)： 資料在某一個方向從輸入層穿過隱藏層，然後到達輸出層，而所有節點都已連接，資料永遠不會向後循環穿到隱藏層。FF 可用於資料壓縮和基本影像處理。
循環神經網路 (RNN)： FF 網路的一種類型，它可為隱藏層增加時間延遲，以利在目前的迭代期間存取之前的資訊。這種回饋循環能接近記憶，並讓 RNN 適用於語言處理。預測式文字就是一個很好的例子，它會根據您最常使用的字詞來量身制定出建議。
卷積神經網路 (CNN)： 卷積是對兩個函數的數學運算，會產生第三個函數，來說明第一個函數如何由另一個函數修正。CNN 主要用於影像識別和分類，是 AI 的「眼睛」。CNN 中的隱藏層可作為數學篩選器，使用加權總和來標識像素的邊、顏色、對比度和其他元素。

深度學習被視為機器學習的一個子集合。用來區分深度學習演算法和其他機器學習演算法的主要條件是人工神經網路的使用。讓神經網路有「深度」的主要特徵，是在構成基本感知器的輸入和輸出層之間的隱藏層。

深度學習演算法非常適合用來處理非結構化資料，前提為您具備處理的能力。在非監督式和強化學習方面，深度學習相對於其他機器學習演算法更具優勢。人工智慧(AI)的最新進展，很大程度上歸功於深度學習神經網路的可行性提升，而這和更強大的處理和資料儲存能力有關。

Pure Storage® 可為 AI 世界提供獨一無二的運用及支援。深度學習神經網路需要龐大而快速的資料。Pure 的全快閃儲存解決方案，結合了 100% NVMe 快閃記憶效能和 AI 驅動的預測式分析，以實現 Modern Data Experience™。借助 Pure 之力，您可以：

將資料儲存孤島合併為單一的統一資料中樞
利用即時/紀錄分析，更快取得深度資訊
運用 Pure1 Meta® 體驗未來 AI 推動的資料儲存管理
借助 AIRI® 推動您的 AI 解決方案，AIRI® 是一款 Pure Storage 和 NVIDIA 提供的全端 AI-Ready 基礎架構解決方案
透過 FlashStack® 為 AI 和機器學習生命週期取得全端支援，FlashStack® 是 Pure 與 Cisco 合作開發的融合式基礎架構解決方案。