吴恩达deep learning ai 笔记总结(1-1) 神经网络与深度学习-介绍

孤街浪徒 提交于 2020-01-29 06:43:34

课程摘要

从这门课中我们可以学到:

  • 神经网络和深度学习
  • 提高神经网络:超参数调整,正则化,优化
  • 构建你的机器学习项目
  • 卷积神经网络
  • 自然语言处理:建立RNN

What is neural network

神经网络是由人类大脑启发的学习算法
下面通过房屋预测来了解神经网络

Simple neural network

房地产市场中,当给定房屋的大小,想要通过一种适合的函数预测价格

这是一个线性回归(linear regression)问题,因为价格随着房屋大小的函数连续输出

价格不会是负数,所以使用一种叫做ReLU(Rectified Linear Unit)的函数,起点为0。
在这里插入图片描述

这个函数就是一个神经元(neural)。
这个神经网络构建如下。
一个简单的神经网络有三个要素:

  • 输入:size
  • 神经元:ReLU函数
  • 输出:price
    在这里插入图片描述
    利用这个神经网络,给定一个输入 x ,即可得到一个输出 y。

Multiple neural network

思考一下影响房屋价格的特征:

  • 大小:size
  • 房间数:#bedrooms
  • 邮政编码:zip code
  • 价值:weath

而以上特征中:

size和#bedrooms一起决定了家庭大小(family size);
zip code决定了步行性(walkablity);
zip code和weath一起决定了学校质量(school quality)。

因此,当给定一个输入时,在得到预测输出值以前,还生成了以上的隐藏因素(family size,walkability,school),这些隐藏因素共同决定价格。
在这里插入图片描述

神经网络不能继续使用一个神经元,需建立多个神经元,其中,神经网络可以自动生成隐藏单元来预测价格。

下图为房屋预测的多神经元网络:
包含的元素:

  • 输入层 input layers
  • 隐藏层 output layers
  • 输出 y
    在这里插入图片描述
    我们仅仅给定一个输入,即可得到一个输出。

Supervised leaning for Nenural Network

监督式学习(Supervised leaning)是对于给定的数据,我们已经知道了输出大概是什么样子,我们有想法去建立一个关于input和output的关系

监督式学习问题分为两类:

  • Regression : 回归问题中输出是连续的
  • Classification : 分类问题中输出是离散的

监督式学习应用:
在这里插入图片描述
针对不同的应用场景,有多种不同的神经网络类别

  • 卷积神经网络CNN:应用于图片
  • 递归神经网络:应用于一维序列数据,比如翻译语言

Structured and Unstructured data

在这里插入图片描述

Why is Deep Learning taking off

传统的学习算法只适用于小的数据集,随着数据量增加,神经网络规模也随之扩大,性能越来越好

在这里插入图片描述

深度学习过程

  • 建立idea
  • 编码
  • 做实验
    在这里插入图片描述
    训练一个神经网络需要时间,快速的计算能帮助提高新算法
易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!