神经网络与深度学习——深度学习概论——用神经网络进行监督学习

机器学习根据获取y的不确定性分为很多种，如下图，但其中创造最大经济效益的是监督学习

监督学习中，我们已知数据集和对应的输出y，根据这两个信息来找出它们之间的关系。监督学习可以分为回归问题和分类问题，在回归问题中，我们将输入变量映射到某个连续函数。而在分类问题中，我们预测离散输出的结果。

上图中不同的监督学习例子要用到不同的神经网络，例如卷积神经网络（CNN）经常用于图像应用，循环神经网络（RNN）用于一维序列数据（例如将英语翻译成中文）或时间成分（例如文本记录）。自动驾驶则一种混合神经网络架构。

结构化数据和非结构化数据：结构化数据是指每个特征都具有明确定义的数据，例如价格，年龄，而非结构化数据是指诸如像素，原始音频，文本之类的数据