案例01｜Danske Bank：從 40% 詐欺偵測到深度學習冠軍／挑戰者模型
案例03｜遊戲分析：1,090 億美元市場、22 億玩家與協同過濾
案例04｜可解釋人工神經網路：敏感度分析、LIME／SHAP 與 30,358 件交通事故
案例05｜Georgia 交通部：36 英里、88 個標誌與可變速限分析
案例06｜卷積神經網路：卷積、池化與 35 億張 Instagram 影像
案例07｜臉部辨識：Sharp Eyes、2 億支攝影機與隱私／倫理界線
案例08｜Word2Vec：1,000 億詞語料庫、詞嵌入與餘弦距離
案例09｜循環神經網路、長短期記憶與 ChatGPT：序列記憶、大型語言模型與人類回饋強化學習
案例10｜深度學習框架：Torch、Caffe、TensorFlow、Theano 與 Keras
案例11｜急診 72 小時回診：657,752 次就診、Doc2Vec 與深度神經網路
案例13｜KNIME／Keras 實作：原書要求自行找資料建立深度學習模型
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制／延伸 |
|---|---|---|---|
| 深度學習 | 以多層神經網路從大量資料中學習複雜表徵 | 詐欺偵測、影像／臉部辨識、文字、序列、臨床預測 | 需要大量資料、算力、訓練／驗證設計與正式環境監控 |
| 人工神經網路（Artificial Neural Network, ANN）架構／學習 | 輸入–隱藏–輸出層；監督式學習；反向傳播；隨機初始化 | 分類／預測與非線性關係建模 | 可能不收斂或過度擬合；需驗證、正規化與參數調校 |
| 可解釋性 | 全域／局部敏感度分析；逐一移除法；局部可解釋模型不可知解釋（Local Interpretable Model-Agnostic Explanations, LIME）／Shapley 加法解釋（Shapley Additive Explanations, SHAP）替代模型 | 變數重要性、高責任決策、貸款／安全解釋 | 最重要變數依目標／模型而變；解釋不等同因果證明 |
| 卷積神經網路（Convolutional Neural Network, CNN） | 卷積擷取局部模式；池化降維並保留重要特徵 | 影像辨識、臉部辨識、部分文字任務 | 大規模訓練依賴資料標記、平行硬體與架構設計 |
| 詞嵌入 | Word2Vec 將詞語轉成具脈絡性的數值向量 | 文字表徵、關係擷取、深度學習自然語言處理 | 結果依訓練語料庫而定；歷史預訓練向量不能視為普遍且當前的真實結果 |
| 循環神經網路（Recurrent Neural Network, RNN）／長短期記憶網路（Long Short-Term Memory, LSTM） | 回饋連結；LSTM 以輸入／遺忘／輸出閘門與狀態單元管理長期脈絡 | 序列、語言、時間相依資料 | 記住脈絡不代表事實正確；需依任務驗證 |
| 大型語言模型（Large Language Model, LLM）／人類回饋強化學習（Reinforcement Learning from Human Feedback, RLHF） | 大規模預訓練＋人類回饋的獎勵—策略流程 | 問答、翻譯、生成、摘要、程式設計協助 | 原書同時強調限制；生成回應仍需驗證 |
| 深度學習框架 | Torch、Caffe、TensorFlow、Theano、Keras 等連接中央處理器（Central Processing Unit, CPU）／圖形處理器（Graphics Processing Unit, GPU）／張量處理器（Tensor Processing Unit, TPU）與高階應用程式介面 | 模型開發、訓練、部署、視覺化 | 原書效能數字屬特定時點／硬體；不可直接當成跨平台公平基準測試 |
| 認知運算／搜尋 | 脈絡感知自然語言處理（Natural Language Processing, NLP）／機器學習（Machine Learning, ML）；多種資料型態；企業搜尋；人類能力增強 | 醫療、金融、零售、安全、教育、研究等 | 應評估脈絡、相關性、人工審查與工作流程整合 |
| 人工智慧（Artificial Intelligence, AI）／Excel／分析工具分工 | Excel 驗證比率／指標差異；專業工具訓練模型；AI 解讀輸出並整理決策 | 把深度學習結果轉成管理判斷 | 沒有原始資料／執行輸出時不得生成準確率、損失值、投資報酬率或模型分數 |
本章從傳統人工神經網路（Artificial Neural Network, ANN）一路延伸到深度神經網路。核心變化不只是「更多層」，而是 GPU／平行運算、軟體框架與大量資料讓更深、更大的網路可被實際訓練與部署。
原書的 ANN 開發流程有 9 個步驟，涵蓋資料蒐集、訓練／測試設計、網路建構、初始化、資料轉換、訓練、測試與實作。若資料表徵、驗證或重新訓練機制設計錯誤，再好的架構也無法自動補救。