機器深度學習的框架體系有如卷積神經網絡(Convolutional Neural Networks, CNN)、深度神經網絡(Deep Neural Networks，DNN)、遞歸神經網絡(Recurrent Neural Networks, RNN)等，這些深度學習的共同點，基本上就是網絡輸入層節點多，網絡層次深，支持的分類種類多而複雜的神經網絡之學習。但每種算法都有其優勢，亦有其局限性。【讀友提問】台商鐿偉科技張總問：「上海漲融公司的金融AI(人工智能)理財，如何利用四大實施步驟之一：用機器深度學習技術去訓練優化演算法 ？」答：金融AI(人工智能)理財具體實施步驟有四：其中利用卷積神經網絡技術去處理數據做預測；(上週專欄已做簡要回答)。本週的Q&A有幾個概念要先釐清楚：數據是什麼？數字、符號、字母、圖像都是數據，只要它能表達確實的含義。信息就是把我們不清楚的事情闡明地描述。數據和信息在數據挖掘和機器學習是金融AI(人工智能)理財領域時時刻刻都要打交道的基礎。算法(演算法)是數據加工的靈魂；換言之，數據和信息是食材，數據分析的預測結果是菜餚，算法就是調煮過程。算法工程師的工作是與程式人員及分析人員的工作連繫在一起，他協助對邏輯理解的問題處理。算法的應用是一個辯證的過程，不僅在於不同算法間的擇優比較應用；即使在同一個卷積神經網絡算法(它是機器深度學習的驅動力)裡，不同參數或閾值(臨界值)的設置，對數據預測會帶來大相徑庭的結果。隨著計算機計算能力的發展，網絡規模及存儲能力的持續提高，用大規模的卷積神經網絡去做圖像、數據的機器深度學習，進而訓練優化演算法，做好人工智能理財的績效預期結果。
