AutoEncoder AE
AutoEncoder為深度學習中之非監督式學習演算法，其目的為將輸入資料壓縮，只提取出資料中較為重要的部分(Encoder)。之後將壓縮後的資料經由Decoder還原回原始資料，使其與原始資料越像越好。
監督式學習與非監督式學習之差別為Data是否有Ground Truth。監督式學習之資料擁有標準答案，因此在學習過程中，可以明確知道學習結果是否正確，並且比對錯誤逐漸修正，使預測更加精準。而非監督式學習則無標準答案，在學習過程中需要尋找出資料淺在規則，按照關聯性去分類。
AutoEncoder架構
AutoEncoder概念很簡單，就是將一筆Data X 經過Encoder後，將資料壓縮為 一個維度較小的Z ，之後經過Decoder還原，得到X'，希望 X 及 X' 能夠一模一樣。
Encoder:
Encoder負責將原始的資料(Original Data)壓縮為向量Z，向量Z也可稱為Code或是Latent Vector，其所在空間可稱為Latent Space，可以視為將原始資料提取重要的部分，與PCA作用相同，但由於是使用神經網路架構，可以達到非線性轉換的效果。
Decoder:
Decoder則是將向量Z還原，使重新建構的Data越接近原始資料，將低維空間的特徵向量轉換到高維空間中。
Loss Function:
Loss Function就可以直接選擇MSE(mean square error)，直接計算Original Data 及 Reconstructed Data間的誤差(Error)。
而AutoEncoder訓練方式與其他神經網路相同，皆是使用Backpropagation調整網路參數，更新權重。
這只是最基礎的AutoEncoder，其後來還有許多變形，如:VAE(Variational AutoEncoder)、DAE(Denoise AutoEncoder)、、、等，可應用於不同情況。
