摘要: 本篇部落格僅作為筆記，如有侵權，請聯絡，立即刪除（網上找部落格學習，然後手記筆記，因紙質筆記不便儲存，所以儲存到網路筆記）。

　　1.1 歡迎

　　深度學習常常運用於：讀取X光影象、個性化教育、精準化農業、駕駛汽車等領域。深度學習處於AI分支中，學習如何建立神經網路（包含一個深度神經網路），以及如何在資料上面訓練他們。（第一門課程主要識別貓）

　　1.2 什麼是神經網路

　　深度學習-訓練神經網路的過程，有時它指的是特別大規模的神經網路訓練。神經網路的一部分神奇之處在於，當你實現它之後，你要做的只是輸入x，就能得到輸出y。它可以自己計算你訓練集中樣本的數目以及所有的中間過程。

　　值得注意的是神經網路給予了足夠多的關於x和y的資料，給予了足夠的訓練樣本有關x和y。

　　1.3 神經網路的監督學習

　　關於神經網路也有很多種類，考慮到它們的使用效果，有些使用起來恰到好處，但事實證明，到目前為止幾乎所有由神經網路創造的經濟價值，本質上都離不開一種叫做監督學習的機器學習類別。

　　計算機視覺在過去的幾年裡取得了長足的進步，這也多虧了深度學習。

　　深度學習最近在語音識別方面的進步也是非常令人興奮的。

　　在自動駕駛技術中，你可以輸入一幅影象，就好像一個資訊雷達展示汽車前方有什麼。

　　對於影象應用，我們經常在神經網路上使用卷積（Conclution Neural Network），通常縮寫為CNN。對於序列資料，例如音訊，有一個時間元件，隨著時間的推移，音訊被播放出來，所以音訊是最自然的表現。作為一堆時間序列（兩種英文說法one-dimensional time series/temporal sequence）。對於序列，經常使用RNN，一種遞迴神經網路（Recurrent Neural Network），語言，英語和漢語字母表或單詞都是逐個出現的，所以語言也是自然的序列資料。因此更復雜的RNNs版本經常用於這些應用。

　　對於更復雜的應用比如自動駕駛，你有一張圖片，可能會顯式更多的CNN卷積神經網路結果，其中的雷達資訊是完全不同的，你可能會有一個更定製的，或者一些更復雜的混合的神經網路。

　　機器學習對於結構化和非結構化資料的應用。例如在房價的預測中，你可能有一個數據庫，有專門的幾列資料告訴你臥室的大小和數量，這就是結構化資料。意思是每個特徵，比如說房屋大小臥室數量，或者是一個使用者的年齡，都有一個很好的定義，這就是結構化資料。

　　相反非結構化資料是指比如音訊，原始音訊或者你想要識別的影象或文字中的內容。這裡的特徵可能是影象中的畫素值或文字中的單個單詞。從歷史經驗上看，處理非結構化資料是很難的。與結構化資料比較，讓計算機理解非結構化資料很難，而人類進化得非常善於理解音訊訊號和影象，文字也是一個更近代的發明，但是人們真的很擅長解讀非結構化資料。神經網路的興起就是這樣最令人興奮的事情之一，多虧了深度學習和神經網路，計算機現在能更好地解釋非結構化資料。

　　神經網路對於結構化和非結構化資料都是有用處的。