第九章 神经网络学习neural network

课时62 非线性假设
线性回归和逻辑回归都有这样一个缺点，就是当特征太多时，计算的负荷非常大。如在计算机视觉中，我们希望训练一个模型来识别视觉对象，例如识别一张图上是不是一辆车，方法是利用很多车和非车的图片，然后利用这些图片上一个个像素的值（饱和度或亮度）来作为特征。假如我们只选用灰度图片，每个像素只有一个值（而非RGB值），我们可以选取图片上两个不同位置的像素，训练一个逻辑回归算法，利用这两个像素的值判断图上是不是汽车。然而如果采用的是50*50的已经算小的图片，将所有像素视为特征，则有2500个特征，如果创建一个多项式模型，会有更大数量的特征，普通的逻辑回归无法处理，这时我们需要神经网络。

课时63 神经元与大脑
大脑能处理各种各样的事情，然而模仿它只需要一个单一的学习算法。
神经重接实验：耳朵把声音信号传给听觉皮层。如果切掉这个神经，将动物的大脑的神经与人脑的听觉皮层重新连接，这样从眼睛到视神经的信号最终将传到听觉皮层，结果表明听觉皮层将学会看。（这里的“看”代表了我们所知道的每层含义）如果对动物这样做，那么动物就可以完成视觉辨认任务，它们可以看图像，并且根据图像做出合适的决定。 类似的实验，躯体感觉皮质cortex也可以学会看。
因此，我们需要做的就是找出一些近似的或实际的大脑学习算法，然后实现它，让大脑自己学习如何处理这些不同类型的数据。
很多例子可以证明如果你能把几乎任何传感器接入到大脑