本文介绍了吴恩达的深度学习课程，重点讲解了神经网络的基本概念，包括ReLU激活函数和神经网络的结构。讨论了监督学习中的卷积神经网络（CNN）和循环神经网络（RNN），并提到了针对不同数据类型，如结构化和非结构化数据，选择合适神经网络的重要性。此外，还概述了训练集规模、计算能力和算法创新对深度学习的影响，并简要提及了logistic回归作为二分类的学习算法。
神经网络
深度学习是指训练神经网络，size--○--prise，圆圈为一个神经单元。
它做的就是函数的主要功能。常见的“修正线性单元”即为ReLU。
把独立的单元叠加起来，就有了一张较大的神经网络。
1.2监督学习
对于图像中常用卷积神经网络（CNN）
对于序列数据常用循环神经网络（RNN）
语言也是序列数据但是是单个出现，用（RNNs）
雷达等要用更复杂的，混合神经网络结构
结构化数据
是数据的数据库
非结构化数据
类似音频信号和图像
训练集的规模/训练样本的数量（m）；
深度学习的扩展是数据和计算能力规模的进展，大多数算法的创新是为了让神经网络运行的更快。计算速度的提升，可以帮助提高迭代速度。
神经网络的编程基础
logistic回归
是一个用于二分分类的算法。是一个
最低0.47元/天 解锁文章
882
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
