深度学习概论
一、什么是神经网络
1.以房屋定价预测为例说明什么是神经网络。
数据集：6个房屋数据，输入变量为大小size，输出变量为价格Price-
1.1 仅仅考虑size作为输入变量就能得到一个神经元的神经网络。
也就是输入size，通过模型预测，得到输出房屋价格
一个神经元的神经网络 -
1.2 考虑多个因素的复杂模型
多个因素的复杂模型 -
1.3 事实上，在神经网络中，我们往往并不关心中间层的因素是啥，会让神经网络自己决定，我们只关心输入自变量
得到预测变量
。
神经网络示意图
二、用神经网络进行监督学习
-
-
监督学习Supervised Learning
简单来说就是输入自变量，找到合适的模型，输出因变量。常见的监督学习及其应用如下。
监督学习及其应用
- CNN卷积神经网络适用于图像数据处理
- RNN循环神经网路适用于一维序列数据，其中包含时间成分。
-
-
- 数据类型：
- Structured Data
数据的数据库，每个feature都有清晰的定义 -
Unstructured Data
音频、原始音频、图像
特征可能是像素值，或者文本中的一个单词
数据类型
计算机处理非结构化数据更困难，但是人类很擅长处理非结构化数据，神经网络和深度学习的出现让计算机能更好的解释非结构化数据。
-
-
深度学习的兴起（为什么深度学习现在这么火？）
一图以言之：
深度学习与传统方法
- 规模推动深度学习，规模不仅是神经网络的规模还是数据（带标签的数据）的规模。
- 符号约定：
：数据集规模/训练样本的数量
- 如上图所示，如果数据集规模比较小的话，传统方法例如支持向量机可能表现也很好，但是数据规模比较大的时候深度学习就会凸显它的优势。
-
早期的神经网络更多的是数据和计算性能的发展，近几年算法也在发展并加快计算速度，典型的例子就是sigmoid函数转化为ReLu函数加速‘梯度下降法’计算速度。加快速度重要的另一个原因就是事关效率，可以更好地实现并改进你的想法。
数据、计算与算法
-
