deeplearning.2用神经网络进行监督学习

监督学习

监督学习中输入一个X，得到一个Y，除了房价预测，例如广告推广应用，输入用户看广告的习惯，网站就会考虑是否给你看这个广告。计算机视觉方面，当你输入一个图像，神经网络给图像识别可以打上标签，音频方面，输入一段音频信号，神经网络可以输出相应的文本。
机器翻译（英翻中）等方面的应用，无人驾驶方面，输入汽车前方的一个快照（图像）和一些雷达信息，进行无人驾驶的实现。

注意：图像领域里，我们经常用到的是卷积神经网络，缩写为（CNN）。对于序列数据，例如音频含有的时间成分，音乐是随着时间播放的，所以是一维时间序列，使用RNN（循环神经网络）。对于语言等，最自然的表现方式也是序列数据，使用更复杂的RNNs。更复杂的无人驾驶等则需要卷积神经网络结构的架构去处理。雷达信息可能需要用混合的神经网络结构。

CNN和RNN

最左侧是标准的神经网络结构，中间的图是标准的CNN神经网络，最右侧是RNN神经网络，这些都是在一些文献中经常出现的。

结构化数据与非结构化数据

结构化数据是 ：数据的数据库，例如在房价预测中，有一个数据库或者数据列存储这房子的大小和卧室的数目等，这就是结构化数据。
非结构化数据指的是：比如音频、原始音频、图像等。如果想识别图像，那么这里的特征可能就是图像中的像素值。与结构化数据比较起来，让计算机理解起来更难。