第1课__神经网络和深度学习__第1周__深度学习概论
=======================
目录
1.1 什么是神经网络？
1.2 监督学习
1.3 为什么深度学习会兴起？
1.4 关于这门课
1.5 课程资源
=======================
1.1 什么是神经网络？
下面用房价预测的例子，来解释什么神经网络。
先来看一个简单的神经网络（单个神经元）。
假如我们要建立一个预测房价的模型，现在我们有6个房子的数据。输入x是房子的面积，输出y是房子价格，房价模型是y = f(x)。这是线性回归问题，因为输出是连续的值。
上图中，红叉表示房子数据点，建立房价预测模型就是要找到一个函数来拟合这些房子数据点。从实际考虑，房价不会是负数，所以我们对拟合直线做了修正，在直线的底部是折线，当面积小于某个值时，房价为0。上图中蓝色折线就是我们建立的房价预测模型。
上图可以抽象成一个最简单的神经网络模型表示，如下图所示：
“neuron”表示神经元，该神经元功能就是实现函数f(x)。这个房价预测模型（函数）在神经网络应用中比较常见，它是ReLU（Rectified Linear Unit）函数，即修正线性单元。ReLU函数图形如下：
接下来，看一下多神经元的房价预测的例子。其实，大型复杂的神经网络由许许多多的神经元组成，就像乐高积木一样。
决定房价的通常不只是房子面积一个特性，比如：
- 卧室数目（bedrooms）：房子面积（size）和卧室数目（bedrooms）一般决定了家庭大小（family size）。
- 邮政编码（postal code）：决定了交通便利性，即可步行性（walkability）
- 地区财富水平（wealth）：跟邮政编码决定了学校质量（school quality）
上面例子中，最终的神经网络模型结构如下所示。输入是x（x1, x2, x3,x4），输出是y。这里你可能会疑惑，上图family size是由size和bedrooms决定，在下图中怎么postal code和wealth也决定了呢？你把postal code和wealth的权重看做非常小或者是0就可以了。
1.2 监督学习
监督学习是指训练数据有标记信息，即对于某些给定的数据集，我们知道它的输出。监督学习有回归和分类：
- 回归：预测的输出是连续值，即用连续函数去拟合输入值。如房子预测。
- 分类：预测的输出离散值，即把输入值划分为几类。如图像识别。
下面是一些监督学习的例子：
- 房价预测：根据训练样本的输入x和输出y，训练神经网络模型，预测房价。
- 线上广告：这是深度学习最广泛、最赚钱的应用之一。其中，输入x是广告和用户个人信息，输出y是用户是否对广告进行点击。神经网络模型经过训练，能够根据广告类型和用户信息对用户的点击行为进行预测，从而向用户提供用户自己可能感兴趣的广告。
- 计算机视觉（computer vision）：计算机视觉是近些年来越来越火的课题，而计算机视觉发展迅速的原因很大程度上是得益于深度学习。其中，输入x是图片像素值，输出是图片所属的不同类别。
- 语音识别（speech recognition）：深度学习可以将一段语音信号辨识为相应的文字信息。
- 机器翻译：例如通过神经网络输入英文，然后直接输出中文。
- 自动驾驶：通过输入一张图片或者汽车雷达信息，神经网络通过训练来告诉你相应的路况信息并作出相应的决策。