吴恩达深度学习第一周学习

---

深度学习概论

1.关于深度学习

深度学习是一种机器学习方法，他改变了传统互联网业务，也便利了人们的生活。

深度学习指的是训练神经网络。深度学习允许我们训练人工智能来预测输出，给定一组输入(指传入或传出计算机的信息)，通过深度学习来训练模型以预测输出。

为什么深度学习会崛起呢？

吴恩达教授在课堂上画了这样的一张图：

吴恩达教授用一个比喻来描述数据与深度学习模型的关系：“与深度学习类似的是，火箭发动机是深度学习模型，燃料是我们可以提供给这些算法的海量数据”。随着社会的发展和数字化时代的到来，我们能获得信息和数据量越来越多，训练出来的模型也越来越精准，性能也越来越高，能够解决的问题也越来越多。

2.什么是神经网络

这是一个根据房屋大小来预测价格的例子，我们通过一组数据计算出了一个函数。而这个函数，就可以看成是一个非常简单的神经网络。（这个函数也就是ReLU函数）

我们把房屋的面积x作为神经网络的输入，通过一个节点，就是图中的小圆圈，最后输出了价格y。图里的小圆圈，就是一个独立的神经元，这个网络，就实现了上面的那个函数的功能，这个神经元所作的，就是输入面积，通过一系列计算，最后得到输出预测价格。大的神经网络就是把这些单个神经元堆叠起来形成的。

接下来我们来看一个公交票价估算的例子：

神经元分为三种不同类型的层次：

输入层接收输入数据。隐藏层对输入数据进行数学计算。创建神经网络的挑战之一是决定隐藏层的数量，以及每一层中的神经元的数量。人工神经网络的输出层是神经元的最后一层，主要作用是为此程序产生给定的输出，在本例中输出结果是预测的价格值。

神经元之间的每个连接都有一个权重。这个权重表示输入值的重要性。模型所做的就是学习每个元素对价格的贡献有多少。这些“贡献”是模型中的权重。一个特征的权重越高，说明该特征比其他特征更为重要。

在预测公交票价时，出发日期是影响最终票价的最为重要的因素之一。因此，出发日期的神经元连接具有较大的“权重”。

3.用神经网络进行监督学习

3.1神经网络应用实例

关于监督学习，吴恩达教授在课堂中讲述了几个应用实例：

在不同的实例中，我们所要应用的神经网络也不相同。例如：

1. 在房地产和广告的应用中我们用的是标准的神经网络（上例）
2. 在图像领域里我们用的是CNN网络（卷积神经网络）
3. 在序列数据（例如音视频，语言文字）中我们用的是RNN网络（循环神经网络）
4. 对于更复杂的应用，我们需要混合复杂的神经网络

3.2结构化数据和非结构化数据

　　结构化数据是数据的数据库，意味着每个特征。例如房间大小，人口数量，年龄等。
　　非结构化数据是存储在非关系数据库中的数据，人较易直观理解而计算机不易理解，如图片、音频、文本。