吴恩达深度学习笔记（一）

吴恩达深度学习笔记（一）

一、神经网络和深度学习 (Neural Networks and Deep Learning)

1.什么是神经网络？ (What is a Neural Network)

举例一：
假设有一个数据集，它包含了六栋房子的信息。所以，知道房屋的面积是多少平方英尺或者平方米，并且知道房屋价格。这时，拟合一个根据房屋面积预测房价的函数。

我们把房屋的面积作为神经网络的输入（ 𝑥），通过一个节点（一个小圆圈），最终输出了价格（𝑦）。这个小圆圈就是一个单独的神经元。接着这个网络实现了左边这个函数的功能。

从趋近于零开始，然后变成一条直线。这个函数被称作 ReLU激活函数，它的全称是 Rectified Linear Unit。 rectify（修正）可以理解成 𝑚𝑎𝑥(0,𝑥）。

举例二：
不仅仅用房屋的面积来预测它的价格，现在有了一些有关房屋的其它特征，共同影响最终价格。

以此为例，𝑥 是所有的这四个输入，是所有的这四个输入，𝑦 是是尝试预测的价格，把这些单个的神经元叠加在一起，就有了一个稍微大一点的神经网络。

神经网络实现之后，你要做的只是输入 𝑥，就能得到输出 𝑦。因为它可以自己计算你训练集中样本的数目以及所有的中间过程。

2.神经网络的监督学习 (Supervised Learning with Neural Networks)

• 监督学习是指：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。
  监督学习是从标记的训练数据来推断一个功能的机器学习任务。
• 有无预期输出是监督学习（supervised learning）与非监督学习（unsupervised learning）的区别。
• 对于图像应用，经常在神经网络上使用卷积（Convolutional Neural Network）。
  对于序列数据，例如音频、文本，采用递归神经网络（Recurrent Neural Network）。
• 结构化数据是数据的数据库(即行数据,存储在数据库里,可以用二维表结构来逻辑表达实现的数据)。
  非结构化数据,包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等等。
  

非结构数据与结构化数据相比较而言，更难让计算机理解。