2022吴恩达机器学习：Advanced Learning Algorithm1

1.1

课程学习内容：神经网络（深度学习算法）、决策树

神经网络：学习工作原理，学习如何进行推断、预测，学习如何训练神经网络

1.2

神经网络的起源、发展

为什么神经网络最近几年才开始起飞？

   听过课后觉得应该是因为数据太多了吧

 1.3神经网络是如何工作的

例：需求分析

通过T-shirt的价格预测其是否是畅销品

输入特征是price 

输出一个概率值，在神经网络中叫激活值

 上图是对单个神经元的描述，由图知：神经元的简化模型是一个逻辑回归单元

工作描述：给神经元输入一个或者几个数字，输出一个或者几个数字表示预测出的概率

更复杂的需求分析：

用来预测T-shirt是否是畅销品的特征有四个，预测结果可能取决于中间三个特性。所以需要创造神经元来进行预测。

affordability是price和shipping cost的函数，awareness是marketing的函数，perceived quality是price和material的函数，这三个函数构成第一层的三个神经元，最后输出三个值作为第二层的输入

预测结果是affordability、awareness、perceived quality的函数，构成第二层也是输出层的神经元，最后输出预测结果

每层输出的值，用专业术语说是：激活（activations）

但是，我们需要检查每个神经元决定它从前一层接受什么输入，比如affordability要接受price和shipping cost的值。如果手动输入就会很麻烦，因此神经网络在实际工作中，会接受前一层所有的特性和值。在进行预测时，通过设置参数找出相关的特征子集，如与affordability相关的特征子集是price和shipping cost。

对上一个图进行简化得到下图： 将4个输入特征表示为向量，第一层输出的三个激活值也表示为向量，最后预测出结果。

除了输入层和输出层，中间的层叫做隐藏层。

神经网络的另一种视角：

只看右半部分，可以发现这是一个逻辑回归单元。

需要注意的是：逻辑回归中的输入特征是手动定义，手动输入。神经网络中的特征是网络自动学习出来的

 更多层的神经网络示例：

具有多层的神经网络也称为多重感知

建立神经网络时需要自己决定需要多少隐藏层，以及每个隐藏中需要多少个神经元 

 1.4例子：图像识别

人脸识别

 该图像在计算机中是一个1000×1000的网格，也可以称为像素强度值（或像素亮度值）的千乘千矩阵。

将像素强度值展开为一个向量，那么这个向量是一个百万级别的。

人脸识别需要做的是：训练一个神经网络，以百万像素强度值的特征向量作为输入，输出图中人物的姓名。