机器学习4--神经网络（好激动的一部分）

Neural Networks: Representation

理论上我们可以用多项式函数去近似任意函数（泰勒极数(Taylor series)），从而可得到任意问题的拟合曲线。

在数学中，泰勒级数（英语：Taylor series）用无限项连加式——级数来表示一个函数，这些相加的项由函数在某一点的导数求得。泰勒级数可以用来近似计算函数的值.

在实际处理时，特征量通常会很多，如果再构造高阶多项式等，特征数量将会急剧增加，这使得回归模型的复杂度太高，可见并不合适。神经网络无需构造高阶多项式，在特征量很大时也可以处理的很好。

那特征能有多大呢？下面是一个计算机视觉中的例子：
。

灰度指黑白图像中点的颜色深度，范围一般从0到255（这个设定范围，已经够用了）。白色为255，黑色为0.。故黑白图片也成为了灰度图片。255是2的8次方（包含0）。所以又叫8位图。（这里的黑白表示颜色的亮度，而不是原色）。假如我们只选用灰度图片，每个像素则只有一个值（而非 RGB 值）.

• RGB 值。任何颜色都是有红、绿、蓝三原色组成。对于一张像素值表示的图，他本身就是灰度图像（一般是8位灰度图像）。像素值就是它的灰度值。（灰度名字就是因为黑白混合，也就是亮度混个，造成了灰色。）

• 这三个原色就是x（输入），而灰度就是y（输出），一般按照不同的算法，分配给三个x的加权不同，则计算方法不同。。
  
  假使我们采用的都是 50x50 像素的小图片，并且我们将所有的像素视为特征，则会有
  2500 个特征，如果我们要进一步将两两特征组合构成一个多项式模型，则会有约 25002/2 个（接近 3 百万个）特征。普通的逻辑回归模型，不能有效地处理这么多的特征，这时候我们需要神经网络（非普通的逻辑回归模型）。

---

Neurons and the Brain

脑科学家通过对动物实验，发现大脑中专用于处理听觉信号的脑皮层也能处理其他诸如视觉等信号，即如果切断其与耳朵