直接阅读技术类的教材是困难的，理论的密集程度常常令人生畏，而Welch Labs的视频用有趣的短片形式，以达到教学的目的，并结合相关资源介绍技术背景，使你能熟练掌握主题。
而本文介绍的系列，将带领大家使用Python构建和训练一个完整的人工神经网络。
1.数据+架构
要想使用一种机器学习的方法，我们首先需要数据。获取到数据后，我们会使用编程语言Python，在二维numpy库里存储数据。数据准备好后，就可以用它训练一个模型了。机器学习中有大量的模型，本文训练的是当前特别火的人工神经网络。
Ps：把数据放进模型之前，我们需要考虑数据单位间的差异。
2.正向传播
上一节我们建立了神经网络，这次我们将用Python编程语言来实现它。
对深度学习模型按照输入层、靠近输入层的隐含层、靠近输出层的隐含层和输出层的次序，依次计算并存储模型的中间变量叫做正向传播（forward-propagation）。在本节中，我们介绍如何使用Python实现正向传播。
3.梯度下降
本节重点放在如何改进神经网络，使预测更准确。
梯度下降法，是当今最流行的优化（optimization）算法，亦是至今最常用的优化神经网络的方法。本视频通过举例，介绍了梯度下降是如何优化神经网络的。
4.反向传播
反向传播（back-propagation）是计算深度学习模型参数梯度的方法。总的来说，反向传播中会依据微积分中的链式法则，按照输出层、靠近输出层的隐含层、靠近输入层的隐含层和输入层的次序，依次计算并存储模型损失函数的得分与参数梯度。
反向传播可能比较简单，但不会太简单。反向传播中的错误是让神经网络学习的关键。在这个视频中，用高中数学水平浅显易懂地介绍了反向传播背后的推导和思考过程。
5.数值梯度检查
当构建复杂的系统，如神经网络时，检查部分工作可以避免以后许多问题。在这里，我们将借助对导数的简单理解和一些小技巧来检查梯度计算部分。
如果代码通过了这个测试，那可以确信，我们已经正确地计算和编码了梯度。
6.训练
经过以上工作，现在是时候训练神经网络了。我们将使用BFGS数值优化算法并查看结果。
7.过拟合，测试和正则化
我们已经建立并训练了神经网络，但是在开香槟庆祝之前，还要保证我们的模型适用于现实世界。
实践中，如果测试数据集是给定的，我们通常用机器学习模型,在该测试数据集上的误差来表示泛化误差。基于上述重要结论，以下两种拟合问题值得注意：
- 欠拟合：机器学习模型无法得到较低训练误差。
- 过拟合：机器学习模型的训练误差远小于其在测试数据集上的误差。
我们要尽可能同时避免欠拟合和过拟合的出现。可以使用正则化来应对过拟合问题。
推荐下我自己创建的Python学习交流群935711829，这是Python学习交流的地方，不管你是小白还是大牛，小编都欢迎，不定期分享干货，包括我整理的一份适合零基础学习Python的资料和入门教程。