【Neural Networks and Deep Learning2019吴恩达最新Coursera课程学习】——第一周—Introduction to deep learning
绪论部分
该系列课程我将学到：
所以可以看出这个
- 课程第一部分，也就是我现在学习的部分是整体的一个基础，偏向于机器学习；
- 课程第二部分，讲授一些超参数的的调整和正则化以及优化等知识，所以算是在第一部分上更深入的一个介绍；
- 课程第三部分，经过前两部分的学习，基本具备了良好的基础，现在就可以应用到自己的项目或者感兴趣的地方，去崭露头角
- 课程第四部分，CNN，是我目前在用的，但是我根本还不怎么了解，慢慢来，学好打好基础；
- 课程第五部分，NLP相关，主要是处理序列相关的，比如语音，视频等，
Introduction to Deep Learning
Our Goal： Be able to explain the major trends driving the rise of deep learning, and understand where and how it is applied today.
一、目录
- What’s a neural network?
- Supervised Learning with Neural Networks
- Why is Deep Learning taking off?
- About the Course
具体视频和材料如下：
二、学习内容
1. What’s a neural networks?（何为神经网络）——2019-06-03
这里假定大家对于生物学上的神经元的模式已经有所了解了，就是信息的传递，个人感觉不需要多么深刻的理解，只需要有高中生物的相关残存记忆就能很好理解了。
那么什么是计算机上所说的圣经网络呢？有这个视频：
从预测房价的例子来看：
（1）房间大小决定房子价格：
- 已知条件：已经有一些已知的数据，按照（房屋大小，房屋价格）给出，比如图片中那些小红×，
- 目标：现在我们的目标就是根据已知条件，对于目前我们只知道房屋大小的一个房子，进行它的合理的价格预测；
那么现在如何实现这个目标呢？没错，就是利用已知数据来构建一个线性方程，然后估计出这个线性函数的参数（一般就是斜率和截距），有了这两个数据，那么基本就可以把房屋大小和房屋价格的关系对应起来。
那么现在，这个得到的方程，就可以理解为一个神经元：
——————————————————————————
方程：投入x(房屋大小), 输出y（房屋价格）
神经元：输入， 输出
——————————————————————————
（2）多参数的房屋价格预测：
现实生活中其实很少找到线性的东西，评价一个人也不能简单的用好或者坏来说，
房价也是啊，虽然房子大小在一定的程度上正相关与房屋价格，但是也要看什么地方的房子啊，北京放假和青海放假有的比吗？
就是这个道理，所以我们还要多考虑一些因素
比如卧室数量、邮政编码（这里以美国为例，邮政编码可以看出出行便利程度，就好比中国北上广深和其他城市房价不一样）、教育程度等等
由多种因素来决定房屋的价格，即便是同一个城市，不是也要分学区房啊，哈哈哈
稍微整理一下，可以抽象成下面的模型：
每一个节点都和上一层所有节点相连接，这其实也就是 全连接
这里不再是直接一个神经单元直接连着输入输出，而是有两层，在以后的问题中可能还会有更多层，那么具体的来表述就很麻烦，所有还要再抽象一下，
把中间的，不管多少层，都理解成隐藏层统一考虑。
这样的话，神经网络就还是：
输入——神经网络——输出
这样的形式！方便理解！
从而也得到了输入到输出之间的映射！
这个函数中的参数就是我们在利用已知数据的时候估计出来的，也就是后续总的权重！
2. Supervised Learning with Neural Networks(基于神经网络的监督学习) ——2019-06-04
当前很多人都鼓吹自己的学习算法多么的有效，但是事实上现在众多的算法都还只是监督学习的东西。
那么什么是（Supervised Learning）监督学习呢?
监督学习就可以理解成有指导的学习，有老师指引的学习，如图题目做对了老师回给你打勾，你之后的解题思路就会朝着这个正确的方向发展，但是当你错了的时候，老师就会给你打叉，你之后的解题思路也就会因此避开这样的思路，这里的老师对你就是一个监督行为，现在把这个做题的概念对应到更广泛的任务上，抽象一下，就是当我们处理一个任务，我们是有指导的，这个指导就是数据的标签，告诉我们对错或者是否，经过大量的这样的“有监督”的学习，我们就可以朝着更为合理的方向（这里的合理就是指更加符合标签规律）发展，这就是监督学习。
而且目前已经取得很好成就的应用如下图，比如预测啊，广告啊，语音识别啊，机器翻译啊，自动驾驶啊等等等：
具体而言的话，还要讲两种结构的数据：
- 结构化的数据（指特征都是具有良好定义的，比如房屋大小，卧室数量等等）
- 非结构化的数据（指比较难以良好定义的，比如像素，语音，文本等等，单独的每一个我们并不知道它是什么意思，比如一个像素，一个单词等等，非常缺乏定义）
深度学习基本都是在这些或结构化或非结构化的数据上建立起来的，并且取得了良好的表现效果。
那么为什么Deep Learning 可以如此优秀呢？？？
那就是接下来的 Why is deep learning taking off? 了，我们拭目以待
3. Why Is Deep Learning taking off??(深度学习为何如此优秀？？？)——2019-06-05
总是会有人问为什么深度学习这两年发展的原来越受人喜欢和重视?每当有人有这样的疑惑的时候 ，我就会画一张图来告诉他们：
如下：
横坐标：某任务上我们拥有的数据量；
纵坐标：表现，学习算法的性能
可以看出来，传统的方法在刚开始的时候性能是会增加的，但是随着数据量的增加，性能基于平坦，上升会很缓慢，甚至基本没什么可以再增长的可能性了！
所以啊，可以看出最主要的原因：
数据规模造就了深度学习的优越性！
简单来说，数据规模增加了，传统方法基本就那样了，这个时候深度学习的方法还是会继续获取良好性能，这个时候你不选择深度学习才是让人难以理解的事情！
4. About this course(关于这门课)——2019-6-10
大概讲了这门课的学习大纲吧
5.课程的测验题目：
比较简单，认真听课的话基本都是100%答对的！