由于吴恩达离职百度，自立门户，他最近在网上特别火，连带着他的各种课程也跟着火了起来，本系列是有关于吴恩达在Coursera上面发布的，关于深度学习与神经网络的课程笔记。给有中文学习需求的同学分享一下，同时也帮助我自己梳理一下知识网络，如有遗漏与错误，望CSDN的各位大神能够指点出来。
WEEK1
神经网络：
首先，本课程适合的是有一定的机器学习基础的同学。
视频一上来，就开始利用RELU激活函数函数开始构造简单神经网络模型。Andrew很喜欢使用房价预测的模型。这篇神经网络入门的部分，依然使用了房价预测模型，利用不同房子的特性，如面积大小，是否有客厅，卫生间等，来预测房子的房价，给出了如下的模型：
这里我们单一变量，只把房屋大小作为输入数据，可以看到，通过一个神经元，我们可以得到一个预测出来的价格，那么简单来说，这就是一个神经元条件下的神经网络。
那么，只有如此简单结构的神经网络是干不成什么大事的，得出的结果也必然不会很准确，那么下面，我们利用更多的特性来建立我们的神经网络模型：
这里，我们新加入了房间大小，财富值，邮编，卧室数量四个特征，通过三个神经元，来最终得到一个预测价格。中间的三个神经元，我们叫他隐含层（Hidden layer），图片中为了方便理解，在对输入的特征项与神经元全连接后，Andrew还很贴心的为大家标注了每个神经元再次输入后可能代表的含义。但是在现实的隐含层中，我们不需要知道，每个隐含层所代表的意思，这是一个机器学习的过程，那么我们使用这种模型，只需要知道的是预测出来的价格，准确率是多少，就可以了。
有监督学习在神经网络的应用：
首先列举了一下已经比较成熟的应用，如房价预测，推荐系统，图片与音频处理，语言翻译，以及自动驾驶。其中，房价预测与推荐系统实用的是标准神经网络（Standard NN），图像处理使用了卷积神经网络（CNN），音频及翻译使用的是循环神经网络（RNN）。这些在之后的学习中都会涉及到。下面是每种模型的概念图：
同时，Andrew又定义了结构型数据（Structured Data）和非结构型数据（Unstructured Data）。其中，传统的数据库型数据（带标签），属于结构型，目前我们集中精力去处理的文本，语音，以及图片（不带标签），属于非结构型数据。
那么这周的课程还是比较轻松的，想观看完整的视频教学，可以通过这个链接进行课程试听:https://www.coursera.org/learn/neural-networks-deep-learning/home/welcome