摘要: 本篇博客仅作为笔记，如有侵权，请联系，立即删除（网上找博客学习，然后手记笔记，因纸质笔记不便保存，所以保存到网络笔记）。
1.1 欢迎
深度学习常常运用于：读取X光图像、个性化教育、精准化农业、驾驶汽车等领域。深度学习处于AI分支中，学习如何建立神经网络（包含一个深度神经网络），以及如何在数据上面训练他们。（第一门课程主要识别猫）
1.2 什么是神经网络
深度学习-训练神经网络的过程，有时它指的是特别大规模的神经网络训练。神经网络的一部分神奇之处在于，当你实现它之后，你要做的只是输入x，就能得到输出y。它可以自己计算你训练集中样本的数目以及所有的中间过程。
值得注意的是神经网络给予了足够多的关于x和y的数据，给予了足够的训练样本有关x和y。
1.3 神经网络的监督学习
关于神经网络也有很多种类，考虑到它们的使用效果，有些使用起来恰到好处，但事实证明，到目前为止几乎所有由神经网络创造的经济价值，本质上都离不开一种叫做监督学习的机器学习类别。
计算机视觉在过去的几年里取得了长足的进步，这也多亏了深度学习。
深度学习最近在语音识别方面的进步也是非常令人兴奋的。
在自动驾驶技术中，你可以输入一幅图像，就好像一个信息雷达展示汽车前方有什么。
对于图像应用，我们经常在神经网络上使用卷积（Conclution Neural Network），通常缩写为CNN。对于序列数据，例如音频，有一个时间组件，随着时间的推移，音频被播放出来，所以音频是最自然的表现。作为一堆时间序列（两种英文说法one-dimensional time series/temporal sequence）。对于序列，经常使用RNN，一种递归神经网络（Recurrent Neural Network），语言，英语和汉语字母表或单词都是逐个出现的，所以语言也是自然的序列数据。因此更复杂的RNNs版本经常用于这些应用。
对于更复杂的应用比如自动驾驶，你有一张图片，可能会显式更多的CNN卷积神经网络结果，其中的雷达信息是完全不同的，你可能会有一个更定制的，或者一些更复杂的混合的神经网络。
机器学习对于结构化和非结构化数据的应用。例如在房价的预测中，你可能有一个数据库，有专门的几列数据告诉你卧室的大小和数量，这就是结构化数据。意思是每个特征，比如说房屋大小卧室数量，或者是一个用户的年龄，都有一个很好的定义，这就是结构化数据。
相反非结构化数据是指比如音频，原始音频或者你想要识别的图像或文本中的内容。这里的特征可能是图像中的像素值或文本中的单个单词。从历史经验上看，处理非结构化数据是很难的。与结构化数据比较，让计算机理解非结构化数据很难，而人类进化得非常善于理解音频信号和图像，文本也是一个更近代的发明，但是人们真的很擅长解读非结构化数据。神经网络的兴起就是这样最令人兴奋的事情之一，多亏了深度学习和神经网络，计算机现在能更好地解释非结构化数据。
神经网络对于结构化和非结构化数据都是有用处的。