第一课 神经网络与深度学习 第一周 深度学习概论

什么是神经网络？

看完视频后，我觉得神经网络就是一个函数，经过海量的经验构造出来的一个函数，用于解决特定的问题（原来也没有那么高级）

这里老师举了一个预测房价的例子，我们构建的这个神经网络有一个神经元，我们只需要将房子的面积输入，我们就能够得到一个预测的房价，这个函数称为ReLU(rectified linear unit)

---

然后还是房价预测的例子

这里就有多个神经元，共同组成了一个神经网络，当我们训练完毕之后，我们需要做的就是输入对应的数据，神经网络会自动将我们需要的数据计算出来并交到我们手中

---

然后有一点我比较震惊

老师说在这张图片中，我们不需要指定中间的神经元是如何计算的，我们只需要提供给神经网络海量的数据（或许这就是需要python的点吧，虽然我不会python），让他自己选择该怎么样处理这些数据就好，当然，在训练过程中，我们需要做的可能是指定结果的正确程度，让神经网络自行评估自己的训练结果是否符合我们的需要，再让神经网络自己选择计算方式

用神经网络进行监督学习

关于监督学习

老师说现阶段大部分神经网络所创造的利润都是来源于监督学习的

我当下理解中的监督学习应该就是先由我们人自己去识别数据，找到数据中的最优解或是目标，标注在数据中，然后直接将数据输入神经网络让其自行计算，最后将计算的结果与我们人为标注的结果进行比较，相似度越高，神经网络就会更多地根据本次的计算方式来修改自己原有的计算方式，从而达到我们训练的目的

---

这是一些神经网络的例子

第一个是常规神经网络，第二个是卷积神经网络，第三个是循环神经网络

卷积神经网络常用于处理图片，循环神经网络往往用于处理序列信息（文字，音频等）

---

这是两种不同的数据类型

左边的是结构化数据，右边的是非结构化数据

结构化数据的特点就是他的每个特征都是确定的，有着清晰的定义

而非结构化数据恰巧相反，他没有清晰的特征

显然，相比于结构化数据，计算机更难以理解非结构化的数据，人类则相反

但是，深度学习的出现，让计算机理解非结构化数据的能力大大增强

为什么深度学习会兴起

ppt真的很多呀

然后老师给我们举了数据量的例子，近代科技的发展使得近代数据量的急剧增多，导致人们早期用于处理少量数据的方式不再适用，而这时深度学习异军突起，很好的承担了处理大数据的任务，而且随着数据量的增多，神经网络规模的增大，深度学习的表现越来越好，这就是深度学习兴起的原因之一

但是需要注明的是，这里的数据指的是带标签的数据，我们需要人为的对数据进行预处理

关于这门课

这是这套课四周的学习内容

然后除了这套课还有三套课。。。

课程资源

这里是这个课的一些资源

1、论坛

2、没有了没有了没有了