Stanford机器学习---第六讲. 神经网络的表示 Neural Networks representation

==============Nonlinear hypothesis==============

1.当特征多的时候（100），为了非线性的分割，要引入2次项，甚至3此项，

造成特征膨胀。

2.当特征“爆炸”时，回归计算复杂度太大，如汽车分类小例：

=================Neurons and the Brain====================

1.大脑神经图，注意输入、输出

2.单个神经元

3.神经网络，隐含层(不涉及输入X,输出Y)

4.神经网络各层的计算

================Model Representation==================

1.向前传输的向量计算表示

2.神经网络的特点：但看后两层，和Logistic回归没区别。但正因为

有前两层，相当于对输入特征做了一次Logistic回归拟合。然后再次

到最后一层Logistic回归，好处是不用写复杂的多项式特征，减少计算量。

3.多层的隐含层

4.简单小例

5.小例子组合

6.三层特征，逐次提取识别

==================Multiclass Classification===================

1.分4类，4个输出层