深度學習

深度學習用多層神經網路模擬大腦，讓機器自己學特徵。

1. 基本深度神經網路（DNN, Deep Neural Network）

  • 什麼是？
    • 最基礎的深度網路，多層神經元（像大腦細胞）疊起來，能學複雜模式。
    • 輸入 → 隱藏層（好幾層）→ 輸出。
  • 適合場景：
    • 結構化數據的預測：
      • 像用表格資料（GDP、失業率、CPI）預測經濟週期。
      • 例子：輸入 10 個經濟指標，輸出「成長」或「衰退」。
    • 簡單分類或回歸：
      • 分類：判斷客戶是否會買東西（是/否）。
      • 回歸：預測房價。
  • 為什麼用？
    • 比傳統機器學習（如線性回歸）更能抓非線性關係。
    • 資料量中等（幾千到幾萬筆）就夠。
  • 工具：PyTorch 的 nn.Linear 或 TensorFlow 的 Dense 層。
  • 例子：用 DNN 分析台灣經濟數據，預測下一季 GDP 成長率。

2. 卷積神經網路（CNN, Convolutional Neural Network）

  • 什麼是？
    • 專為圖片或空間數據設計，用「卷積」（Convolution）抓局部特徵（如邊緣、形狀）。
    • 結構：卷積層 → 池化層 → 全連接層。
  • 適合場景：
    • 圖片處理：
      • 辨識照片裡的東西（像貓狗分類）。
      • 例子：分析工廠產品照片，找瑕疵。
    • 空間數據：
      • 地圖數據（像交通流量熱圖）。
      • 例子：用大巨蛋觀眾分布圖預測人潮。
    • 時間序列視覺化：
      • 把經濟數據轉成圖（像折線圖），用 CNN 找趨勢。
  • 為什麼用？
    • 擅長抓局部模式，減少參數（比 DNN 效率高）。
    • 適合高維數據（像圖片像素）。
  • 工具：PyTorch 的 nn.Conv2d 或 TensorFlow 的 Conv2D。
  • 例子：用 CNN 分析台灣股市 K 線圖，預測漲跌。

3. 循環神經網路（RNN, Recurrent Neural Network）及變種（LSTM、GRU）

  • 什麼是？
    • 專為序列數據設計，能記住前面的資訊（有「記憶力」）。
    • 變種像 LSTM（長短期記憶）和 GRU（門控循環單元）解決長期依賴問題。
  • 適合場景：
    • 時間序列預測：
      • 預測下個月失業率、出口額。
      • 例子：用過去 10 年 GDP 預測未來。
    • 自然語言處理（NLP）：
      • 分析財經新聞，判斷市場情緒（正面/負面）。
      • 例子：從 X 上的貼文預測經濟信心。
    • 連續數據：
      • 感測器數據（像工廠機器溫度）。
  • 為什麼用？
    • 能處理順序（像昨天影響今天）。
    • LSTM/GRU 能記住長時間的模式。
  • 工具：PyTorch 的 nn.LSTM 或 TensorFlow 的 LSTM。
  • 例子：用 LSTM 分析台灣每季出口數據，預測經濟週期。

4. Transformer

  • 什麼是？
    • 最新的深度網路，用「注意力機制」（Attention）取代 RNN，效率更高。
    • 結構：Encoder-Decoder，多頭注意力（Multi-Head Attention）。
  • 適合場景：
    • 超長序列數據：
      • 處理幾年經濟數據（像 1000 筆時間點）。
      • 例子：用 20 年進出口資料預測趨勢。
    • 自然語言處理：
      • 翻譯財經報告、生成經濟分析。
      • 例子：把英文經濟新聞翻成中文。
    • 多模態數據：
      • 結合文字、數字、圖片（像財報 + 股市圖）。
  • 為什麼用？
    • 比 RNN 快，能同時看全部數據（平行處理）。
    • 適合超大資料和複雜任務。
  • 工具：PyTorch 的 nn.Transformer 或 Hugging Face 的預訓練模型（像 BERT）。
  • 例子：用 Transformer 分析 X 上的經濟討論和股市數據，預測市場情緒。

5. 場景對照表

場景推薦網路原因
表格數據（GDP、CPI）DNN簡單、非線性、易訓練
圖片（K 線圖、地圖）CNN抓空間特徵、高維數據
時間序列（出口、失業率）RNN/LSTM處理順序、記住歷史
超長序列或文字（新聞分析）Transformer高效、長距離依賴、NLP

6. 跟你需求的關係

  • 計算相關係數：
    • 不直接用深度學習，傳統方法（如皮sie爾森 + 聚類）更快。
    • 但如果資料超多（像 100 個特徵），可以用 DNN 或 Autoencoder 降維後再算。
  • 台灣經濟週期：
    • DNN：適合簡單預測（像用 10 個指標判斷週期）。
    • LSTM：適合時間序列（像用過去 5 年數據預測）。
    • Transformer：如果加新聞或超長數據才用。

7. 結論

  • DNN：簡單結構化數據（經濟表格）。
  • CNN：圖片或空間數據（股市圖、地圖）。
  • RNN/LSTM：時間序列（經濟趨勢）。
  • Transformer：大數據或文字（新聞分析）。
  • 你的需求：如果只是經濟週期，DNN 或 LSTM 夠用；若資料少，傳統機器學習更好。
Post Views: 71