本文详细记录了吴恩达在Coursera上斯坦福大学机器学习课程的第4周内容，主要讨论神经网络的动机、算法、应用及复习作业。神经网络在解决多特征问题时展现出优势，通过实例解释了神经元工作原理和神经网络的计算逻辑，包括and、or等逻辑运算。此外，还探讨了神经网络在多分类问题中的应用，以及课程中的编程作业——多分类问题的逻辑回归和神经网络实现。
coursera-斯坦福-机器学习-吴恩达-第4周笔记-神经网络
文章目录
1 提出神经网络的动机
前面我们学习了，线性回归、逻辑回归，他们可以很好的解决一些预测问题。但是面对一些多特征的问题，比如以下的情况，他们并不能很好的画出分类边界线。
[外链图片转存失败(img-ERGd8XMD-1566960835819)(http://oqy7bjehk.bkt.clouddn.com/17-11-29/51984824.jpg)]
这种时候需要用到多项式回归（非线性的），这种函数画出的曲线可以有任意角度。但是这种函数会因为特征量的增多导致二次项数的剧增。 比如在图像识别中，一个50×50像素的图片，拥有的特征量为2500，那么它的二次项数为2500×2500/2,大约为3百万个。
在这种情况下，神经网络在1970左右被提出。
2 神经网络算法
2.1 神经元
神经网络是有一个个的神经元组成的网络。那么什么是“神经元”？
[外链图片转存失败(img-XlQfgPpY-1566960835820)(http://oqy7bjehk.bkt.clouddn.com/17-11-29/2034250.jpg)]
如图，这是一个最简单的神经元，模型的输入是x1,x2,x3通过参数（权重）θ1,θ2…，并使用逻辑函数激活（压缩），得到输出结果。
2.2 神经网络
下图为一个三层神经网络模型。第一层为输入层，第二层为隐藏层，第三层为输出层。 每条边上有一个权值θ。
a i ( j ) a^{(j)}_i ai(j)：第j层单元i的“激励”
θ ( j ) \theta^{(j)} θ(j)：第j层到第j+1层单元的权值矩阵。
若第j层单元数为 s j s_j sj，第j+1层单元数为 s j + 1 s_{j+1} sj+1，则 θ
最低0.47元/天 解锁文章
扫一扫
4581
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
