這系列文章是我在學習吳恩達教授深度學習課程時為了加深自己理解，同時方便後來對內容進行回顧而做的筆記，其中難免有錯誤的理解和不太好的表述方式，歡迎各位大佬指正並提供建議。

1、什麼是神經網路 

       在簡單的從房屋面積預測價格時，神經網路可以理解為將輸入的房屋面積經過一個未知表示式計算得到其價格的黑匣子。但人們在買房時會關注一些其它附加價值，因此在分析多個會影響到房屋價格的因素時，需要使用到多個神經元進行計算，如買房時學區房由於其周邊學校的方便孩子上學，因此會比普通地方的價格貴很多。神經網路的神奇之處在與我們只需將特徵資料輸入便可得到輸出，並不關心中間如何進行計算，即中間的神經元（隱藏層）如何和每個輸入對應。

2、監督學習

                

在實際應用中，由於資料的結構及其特點的不同，神經網路也有不同的結構。對於房屋預測、廣告推薦等場景，一般使用標準神經網路；對於影象，一般使用CNN（卷積神經網路）；在處理音訊訊號和語言處理等序列資料時使用RNN（迴圈神經網路），在涉及到雷達和影象等更復雜的資料結構時，使用混合神經網路混合來進行處理。

3、結構化資料和非結構化資料

       

       結構化資料是指資料的特徵等都有明確的定義的資料；非結構化資料是指類似與音訊、影象等我們無法描述其特徵是什麼及其特徵的含義是什麼的資料。不管是結構化資料還是非結構化資料，神經網路都可以很好的理解它們，對於非結構化資料，神經網路可以比其它方法做的更好。

4、課程大綱

          

       這部分課程在第一週介紹了神經網路的概念，在第二週會學習到神經網路的程式設計基礎和正向傳播、反向傳播結構等知識，在第三週會編寫單隱層神經網路和其它必需的知識，在第四周建立一個多層的深層神經網路（DNN）。