“吴恩达deeplearning.ai”学习笔记（p1-p6：第一课时第一章:神经网络的基本概念）

深度学习：指训练神经网络

---

目录

主要内容包括：

• 第一章:神经网络的基本概念
  • 1.1神经元
  • 1.2神经网络
  • 1.3用于神经网络进行监督学习的例子
    • 1.3.1相对标准的神经网络
    • 1.3.2卷积神经网络(CNN)
    • 1.3.3循环神经网络(RNN)
    • 1.3.4 CNN“卷积神经网络结构架构”
    • 1.3.5结构化数据
    • 1.3.6非结构化数据
  • 1.4补充

---

• 第二章：神经网络编程的基础知识

---

1.神经网络的基本概念

1.1 神经元

（此例用以体会单个神经元的形式:
假如我们要建立房价的预测模型，一共有六个房子。我们已知输入x即每个房子的面积（多少尺或者多少平方米），还知道其对应的输出y即每个房子的价格。根据这些输入输出，我们要建立一个函数模型，来预测房价：y=f(x)。

ReLU函数（修正线性单元）：函数开始为0，然后是一条直线

---

1.2神经网络

是神经元（隐藏单元）的叠加，同时只需要给出输入特征x和输出y（基于一定数量的训练集），所有中间过程能够自己完成

---

1.3用神经网络进行监督学习的例子

（“监督学习“是神经网络中的一种机器学习

1.3.1相对标准的神经网络

   a)	房价预测
   b)	在线广告预测受体群众用以提高点击率

1.3.2卷积神经网络（CNN）

   a）  计算机视觉（eg.输入图像，输出指数，可以用于标签照片）

1.3.3循环神经网络（RNN）

用于序列数据，例如音频是一维时间序列

a)	自然语言文字处理
b)	语音识别
c)	机器翻译

1.3.4 CNN“卷积神经网络结构架构”

a )  无人驾驶技术（eg.输入一幅图像，联合其他信息如雷达，获取实时的路况信息）

1.3.5结构化数据

数据的数据库，（如图左：每个输入的特征量所形成的列表）

1.3.6非结构化数据

音频、原始音频、图像等.(如下图：这里的特征可以是图像中的像素值或者文本中的单词)

---

1.4补充

性能越高，x轴所需数据越多，神经网络所应具备的隐藏单元也应该越多
n——训练集的规模
m——水平轴

---

第二章：神经网络编程的基础知识