学而不思则罔，思而不学则殆。
第一个系列的课程主要介绍什么事神经网络和深度学习，介绍了系列课程的总体结构：
What is a neural network?
举例：房价预测
假设知道六个房子的面积和价格，对房价进行预测，假设结果是一条直线，又知道房价不可能为负，所以函数与x轴交点之前的值均为0。
这个函数是深度学习中常见的ReLU（线性整流函数 Rectified Linear Unit）。
我们把房子的大小（size）作为输入x，房价（price）作为输出y，中间的计算预测部分就是一个神经元（neural），这就是一个很小的神经网络。而大的神经网络就是有很多个这样的神经网络叠加起来的。
除了房子的大小，还有很多特征feature能够影响房价，比如：卧室数量（#bedrooms）、邮政编码（zip code）和富裕情况（wealth），需要房子的大小和房间数和家庭的大小（有几口人）有关，邮政编码可以知道房子到其他地区步行的方便程度（walkability)，邮政编码和富裕情况可以预测到学校教学的质量（school quality），而这些因素的相互组合，对房价都有影响，人们对不同属性的偏重决定了房价。我们需要做的就是给出神经网络需要的大量输入与输出（x and y）。中间的部分神经网络自己会搞懂，拟合出一个合适的函数来对输入进行处理，输出结果。
（训练好模型后）我们要做的就是：
给出x，让神经网络预测y。
图中神经网络中间层的unit是全连接（density connected）：每个输入都会经过中间的每个单元，而不是像第三幅图中家庭大小由房间数和房子面积决定等。
Supervised Learning with Neural Networks
监督学习不是最令人兴奋的，确实最令人们获益的
不同的深度学习模型处理不同数据input的能力不一样。
神经网络例子：
处理的数据类型分为结构化与非结构化的
典型的结构化数据可以理解为数据库中的数据，非结构化的数据包括图像、音频、文本等，虽然深度学习在非结构化的文本处理上取得了近乎人类的表现，但现阶段更多的深度学习还是针对结构化的数据进行（如投放广告）。
为什么深度学习能从众多学习方法中脱颖而出？
Why is Deep Learning taking off?
大量的数据+足够大的神经网络
以前数据量不大时，用传统的机器学习方法就能取得较理想的成果，但是在数据量变得越来越大时，传统的机器学习方法的效果却没有变化，好像他们不知道如何处理大量的数据。而对于深度学习，随着数据量的增加与神经网络规模的扩大，深度学习的效果越来越好（在数据量很少的情况下不一定比传统的方法好）。
一个简单的例子提高深度学习的效率：从sigmoid到ReLU，提高了逻辑回归的速度。算法对于深度学习的效率很重要，而训练一个模型的周期长短也能决定是否能找到合适的方法来处理业务，花10分钟和1个月跑一个模型的效率是天差地别的，更少的时间意味着更多的实验机会以及更大的发现算法优化方法的可能性，也可能意味着一个业务的成功或者失败。
