用神经网络进行监督学习

到目前为止，几乎所有由神经网络创造的经济价值都基于其中一种机器学习：监督学习。

在监督学习中，输入一个x，习得一个函数，映射到输出y。

监督学习的神经网络应用：

1）房地产预测房价

2）在线广告推荐

很可能今天通过深度学习获利最大的就是在线广告，给网站输入广告信息和用户信息，网站会考虑是否给你看这个广告，神经网络在预测你是否会点击这个广告方面，已经表现得很好了。通过给用户展示最有可能点开的广告，这就是神经网络在很多家公司赚取无法想象的高额利润的应用方式。

3）计算机视觉领域

输入一个图像，想输出一个指数，可能是从1到1000，来表明这张照片是1000个不同的图像中的某一个，可以用来给图像打标签。

4）语音识别

可以将音频片段输入神经网络，它可以输出文本。

5）机器翻译

深度学习可以让你输入一个英文句子，直接翻译得到一个中文句子。

6）无人驾驶技术中心

输入一幅图像，汽车前方的一个快照，一些雷达信息，基于这些，训练过的神经网络可以告诉你路上其他汽车的位置，这是无人驾驶系统的关键组件。

神经网络的应用案例

神经网络创造的这么多案例中，你要机智地选择x和y，才能解决特定问题，然后用这个监督学习过的组件嵌入到更大的系统中。

可以看出稍微不同的神经网络应用到不同的地方也都行之有效：

1）在房地产预测房价、在线广告推荐中均可应用通用标准的神经网络架构

2）图像领域中，经常应用的是卷积神经网络（CNN）

3）对于序列数据，经常使用循环神经网络（RNN），如音频中含有时间成分，音频是随着时间播放的，所以音频很自然地被表示为一维时间序列；语言，英语、汉语、字母、单词都是逐个出现的，所以语言最自然的表达方式也是序列数据。自然语言处理通常使用更复杂的循环神经网络（RNNs）

4）无人驾驶这种更复杂的应用，有一张图片可能需要CNN架构去处理，雷达信息这些，需要一些定做的（custom）更复杂的混合（hybrid）神经网络结构。

标准的、CNN、RNN结构都是什么呢？

不同类型的神经网络

RNN非常适合处理一维序列数据，其中包含时间成分。

机器学习被应用于结构化数据和非结构化数据。

结构化数据：基础的数据库

如预测房价，有一个基础的数据库或数据列，意味着每个特征都有着清晰的定义。

非结构化数据：如音频、原始音频、图像、文本。想要识别图像或文本中的内容，这里的特征可能是图像中的像素点，或者是文本中的单个单词。

结构化数据&非结构化数据

从历史角度看，非结构化数据与结构化数据相比，让计算机理解起来更难。但人类进化到现在，很擅长理解音频信号和图像。文本是一个更近代的发明，但人们真的很擅长解读非结构化数据。神经网络兴起过程中，最令人兴奋的事情之一就是，多亏了深度学习，多亏了神经网络，计算机能更好的地解释非结构化数据，和几年前相比的话。这给我们创造了很多令人兴奋的应用机会，语音识别、图像识别、自然语言处理，现在能做的事情比两三年前要丰富多了。因为人们生来就有能力理解非结构化数据，神经网络在非结构化数据上的成功，尤其是媒体上有了很多成果。

神经网络在很多短期经济价值的创造是基于结构化数据的，比如更好的广告系统，更好的获利建议，有更好的能力去处理很多公司拥有的海量数据库，并用这些数据准确预测未来趋势。