文章目录
课程摘要
从这门课中我们可以学到：
- 神经网络和深度学习
- 提高神经网络：超参数调整，正则化，优化
- 构建你的机器学习项目
- 卷积神经网络
- 自然语言处理：建立RNN
What is neural network
神经网络是由人类大脑启发的学习算法
下面通过房屋预测来了解神经网络
Simple neural network
房地产市场中，当给定房屋的大小，想要通过一种适合的函数来预测价格
这是一个线性回归(linear regression)问题，因为价格随着房屋大小的函数连续输出
价格不会是负数，所以使用一种叫做ReLU(Rectified Linear Unit)的函数，起点为0。
这个函数就是一个神经元(neural)。
这个神经网络构建如下。
一个简单的神经网络有三个要素：
- 输入：size
- 神经元：ReLU函数
- 输出：price
利用这个神经网络，给定一个输入 x ，即可得到一个输出 y。
Multiple neural network
思考一下影响房屋价格的特征：
- 大小：size
- 房间数：#bedrooms
- 邮政编码：zip code
- 价值：weath
而以上特征中：
size和#bedrooms一起决定了家庭大小(family size);
zip code决定了步行性(walkablity);
zip code和weath一起决定了学校质量(school quality)。
因此，当给定一个输入时，在得到预测输出值以前，还生成了以上的隐藏因素(family size,walkability,school)，这些隐藏因素共同决定价格。
神经网络不能继续使用一个神经元，需建立多个神经元，其中，神经网络可以自动生成隐藏单元来预测价格。
下图为房屋预测的多神经元网络：
包含的元素：
- 输入层 input layers
- 隐藏层 output layers
- 输出 y
我们仅仅给定一个输入，即可得到一个输出。
Supervised leaning for Nenural Network
监督式学习(Supervised leaning)是对于给定的数据，我们已经知道了输出大概是什么样子，我们有想法去建立一个关于input和output的关系
监督式学习问题分为两类：
- Regression : 回归问题中输出是连续的
- Classification : 分类问题中输出是离散的
监督式学习应用：
针对不同的应用场景，有多种不同的神经网络类别
- 卷积神经网络CNN：应用于图片
- 递归神经网络：应用于一维序列数据，比如翻译语言
Structured and Unstructured data
Why is Deep Learning taking off
传统的学习算法只适用于小的数据集，随着数据量增加，神经网络规模也随之扩大，性能越来越好
深度学习过程
- 建立idea
- 编码
- 做实验
训练一个神经网络需要时间，快速的计算能帮助提高新算法
