詳細解釋
表示學習（Representation Learning）是機器學習自動學習數據有效表示的方法，替代人工特徵工程。
傳統vs表示學習：
- 傳統：專家設計特徵（SIFT、HOG等）
- 表示學習：神經網絡自動學習
- 深度學習：層次表示學習
層次表示：
- 低層：邊緣、顏色、紋理
- 中層：部件、形狀、模式
- 高層：語義、概念、抽象
關鍵技術：
- 嵌入向量 (嵌入 / 詞嵌入 / 向量嵌入) (Embedding Lookup)：離散到連續向量
- 自編碼器：壓縮與重建
- 對比學習：相似樣本靠近
- 預訓練+微調：遷移表示
評估：
- 下游任務性能
- 可視化（t-SNE、UMAP）
- 插值（平滑過渡表示新樣本）
- 解耦（獨立控制不同因素）
應用：
- 所有深度學習任務的基礎
- 檢索：語義向量搜索
- 推薦：用戶物品表示
- 遷移學習：跨任務複用表示
是深度學習 (深度神經網絡)的核心目標和能力。