摘要: 本篇博客僅作為筆記，如有侵權，請聯系，立即刪除（網上找博客學習，然後手記筆記，因紙質筆記不便保存，所以保存到網絡筆記）。

　　1.1 歡迎

　　深度學習常常運用於：讀取X光圖像、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絡（包含一個深度神經網絡），以及如何在數據上面訓練他們。（第一門課程主要識別貓）

　　1.2 什麽是神經網絡

　　深度學習-訓練神經網絡的過程，有時它指的是特別大規模的神經網絡訓練。神經網絡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。

　　值得註意的是神經網絡給予了足夠多的關於x和y的數據，給予了足夠的訓練樣本有關x和y。

　　1.3 神經網絡的監督學習

　　關於神經網絡也有很多種類，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絡創造的經濟價值，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裏取得了長足的進步，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，你可以輸入一幅圖像，就好像一個信息雷達展示汽車前方有什麽。

　　對於圖像應用，我們經常在神經網絡上使用卷積（Conclution Neural Network），通常縮寫為CNN。對於序列數據，例如音頻，有一個時間組件，隨著時間的推移，音頻被播放出來，所以音頻是最自然的表現。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，一種遞歸神經網絡（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數據。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卷積神經網絡結果，其中的雷達信息是完全不同的，你可能會有一個更定制的，或者一些更復雜的混合的神經網絡。

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

　　相反非結構化數據是指比如音頻，原始音頻或者你想要識別的圖像或文本中的內容。這裏的特征可能是圖像中的像素值或文本中的單個單詞。從歷史經驗上看，處理非結構化數據是很難的。與結構化數據比較，讓計算機理解非結構化數據很難，而人類進化得非常善於理解音頻信號和圖像，文本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數據。神經網絡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絡，計算機現在能更好地解釋非結構化數據。

　　神經網絡對於結構化和非結構化數據都是有用處的。

<吳恩達老師深度學習筆記二>第一周，深度學習介紹（未完待續）