1.3 神经网络的监督学习(Supervised Learning with Neural Networks)

关于神经网络也有很多的种类，本质上都离不开一种叫做监督学习的机器学习类别。

例1：

（1）在线广告：在网站上输入广告的相关信息和用户的信息，网站就会考虑是否向你展示广告。
（2）计算机视觉：输入一个图像，然后想输出一个1到1000的索引来告诉你这是哪一张照片。
（3）语音识别：将音频片段输入神经网络，然后输出文本记录。
（4）机器翻译：利用神经网络输入英语句子，接着输出一个中文句子。
（5）自动驾驶：输入一幅图像，就好像一个信息雷达展示汽车前方有什么，据此，你可以训练一个神经网络，来告诉汽车在马路上面具体的位置。

---

神经网络分类：

Standard NN（标准神经网络）：房地产、在线广告。
CNN（Convolutional Neural Network）（卷积神经网络）：图像识别。
RNN（Recurrent Neural Network）（递归神经网络）：序列数据，例如音频（一维时间序列）、语言（最自然的序列）。

对于更复杂的应用比如自动驾驶，你有一张图片，可能会显示更多的CNN卷积神经网络结构，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结构。

---

标准神经网络：

卷积神经网络：

递归神经网络：

---

机器学习对于结构化数据和非结构化数据的应用：

结构化数据意味着数据的基本数据库。例如在房价预测中，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。或预测用户是否会点击广告，你可能会得到关于用户的信息，比如年龄以及关于广告的一些信息，然后对你的预测分类标注，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。

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。