本周学习课程：Deep Learning

本周学习课程名称：Deep Learning

完成进度，Week1

总结笔记：

 

监督学习的应用有许多，如上图所示，主要用在预测房价，预测用户是否有点击广告，图片的标签分类，声音转文本，英文翻译成中文，图像识别。

  

监督学习中的数据可分为两类，一类是结构数据，即可以用图表和数字完整表示出来的，还有一种是非结构数据，如图片，声音和文本。

---

Why is Deep Learning taking off?

为什么深度学习正在兴起？

 

在训练数据量的大小没有达到一定程度的时候，各个算法的表现是差不多的。但是一旦训练数据量（m）超过了一定范围，深度学习算法的表现远远好于传统算法。

   

---

Binary Classification

二分类问题

二分类问题可以概括为判断某个问题的对或错，具体来说比如判断一张图片是否是猫，输出猫或者非猫。

在程序中，一张彩色图片是有RGB三种原色的，即一个三维的向量（64*64），为了方便我们处理会把每一维的向量从上到下排成一列，即64*64*3=12288。

   

对于输入的训练集X，我们会看成一个nx行，m列的矩阵，输出的结果Y，会看成1行，m列的矩阵。

逻辑回归函数如上图所示，下图是逻辑回归函数的损失函数，损失函数用来判断对于预测的Y和实际训练集的Y接近程度，成本函数来检测训练集的整体运行情况。

---

Gradient Descent

梯度下降

梯度下降用来证明如何取得局部最优解，上图主要证明了无论在最优解的左边还是右边，都可以让成本函数收敛到最小值，即最优解。