我们之前学习了线性回归和logistic regression，为什么还要学习神经网络呢，首先给你一个直观的概念：
当特征变量过多时，使用线性回归（如二次多项式）可能会导致过拟合现象，同时随着特征变量项的增多（机器学习的n特征量一般都是很大的），计算量会逐渐增大。（如果你只考虑二次项，就会忽略很多相关项，拟合出来的边界线一般为椭圆什么的，不会符合想要的结果）。综上，我们需要从不同的角度来寻找新的算法。
一般机器学习的特征量很大，这里给出了一个直观的感受：比如说你要对汽车和非汽车分类，我们一般会提取图像的像素矩阵，其中如果是灰度矩阵的话，就有n=50*50=2500个特征值这里有一个选择题可供深入思考。
1.非线性分类器之神经网络
(1)背景
(2)计算
向量化：
计算过程计算实例
- 实例背景
二、神经网络系统介绍
1.神经网络系统代价函数（cost function）
其中K表示输出的总数
神经网络的代价函数和逻辑回归的代价函数很相似，如下是逻辑回归函数的表达式：
2.代价函数最小化的算法
（1）gradient computation
说到gradient computation我们并不陌生，主要是对代价函数求导。
这里我们先要引入反向传播算法的概念，下面是反向传播算法的表达式：
上面的推导过程很复杂，这里老师也没有详细的介绍，不过我们能对推导结果进行应用
