1.2 用神经网络进行监督学习

监督学习属于机器学习的一种,目前几乎所有由神经网络创造的经济价值,都是基于监督学习.例如:
在监督学习中输入x,习得一个函数,映射输出y.比如我们看到的应用于房价预测的例子.输入房子的一些特征,就能输出或者预测价格y.下面是一些其他的例子,这些例子种神经网络的效果拔群.

在线广告 给网站输入广告信息,网站会考虑是否给用户看这个广告,有时还要输入一些用户的信息,神经网络目前在预测用户是否会点击某种广告方面已经表现得非常良好.可以向用户展示他们最有可能点开的广告.
计算机视觉 用户输入一个图像,然后想输出一个指数,可以是从1到1000来表明这张图片是否是1000个不同图像中的某一个.
语音识别方面 用户可以将音频片段输入神经网络,它可以输出文本
机器翻译 输入英文句子,他直接输出一个中文句子
无人驾驶技术 输入一张图像,汽车前方的一张快照,还有一些雷达信息,基于这个训练过的神经网络,能够告诉用户路上其他汽车的位置,这是无人驾驶系统的关键组件

神经网络的应用多种多样,你需要选择好x与y,才能够解决特定的问题.然后将这个监督学习过的组件,嵌入到更大的系统中,比如无人驾驶
房地产和商业广告应用的是相对标准的神经网络
图像领域应用的是卷积神经网络(CNN)
对于序列数据,例如,音频中含有时间成分-音频是随着时间播放的,因此,音频很自然的被称为一维时间序列,对于序列数据,经常使用循环神经网络(RNN),语言当中的英语,汉语,字母和单词,都是逐个出现的,语言最自然的表示方式也是序列数据(RNNs)
在无人驾驶种,有一张图片,需要运用卷积神经网络进行处理,雷达信息需要更加复杂的混合神经网络结构.

在文献种可能经常会看到下图这样的结构,这是一个标准的神经网络结构

下图事业个卷积神经网络结构

下图是一个循环神经网络结构,循环神经网络结构非常适合处理一维序列数据.

机器学习被应用于结构化数据与非结构化数据,
结构化数据是指数据的数据库,例如在房价预测中你会有一个数据库或者数据列,告诉你房间大小与房价数量等相关因素,在用户是否会点击广告的例子种,你可能会有用户信息,例如年龄,性别,职业等信息
结构化数据每一个特征,例如年龄,性别等都有着明确的定义

非结构化数据,比如音频,原始音频,图像,想要识别图像或文本中的内容,这里的特征,可能是图像中的像素值,或是文本中的单个单词

从历史来看,非结构化数据与结构化数据进行比较,让计算机理解起来更加的困难