一、深度学习概论
1.什么是神经网络?
由预测房价的例子引出一个基本的神经网络结构:
2.神经网络在监督学习上的应用
结构化数据:每个特征都有着清晰的定义
非结构化数据:如音频、图像、文本等,其每个特征可以是图像中的像素或者文本中的单词。
3.深度学习兴起的原因
二、神经网络基础(以logistic回归为例)
1.一些符号说明及Logistic回归介绍
后面需要用到的一些符号说明:
Logistic回归用于二分类问题,预测输出的概率
右上角的(i)表示第i个训练样本
Logistic回归损失函数的定义及解释(凸的便于优化)
损失函数衡量了在单个训练样本上的表现
成本函数衡量的是在全体训练集上的表现
2.梯度下降法与函数导数
梯度下降法的实现方法
函数导数的介绍(跳过)
3.神经网络的前向传播与反向传播
首先计算神经网络的输出,紧接着进行一个反向传输操作(用来计算对应的梯度或者导数)