因为之前上过学校deep learning
准备用这门课温习复习一下deep learning

预言

squence model : for nlp， like LSTM
cnn ususally used on image /CV

what is neural network

通过一个房地产模型讲述神经网络
你获得x输入和y输出,那些中间的神经元就是你要设计的地方

Relu() 函数 Rectified linear unit

神经网络的神奇之处就是你只要给了足够的x, y就能获得一个良好自动的映射。

supervied learning

in sequence data, we always use rnn

分结构化数据和非结构化数据
结构化数据就是数据库，房价信息表
非结构化数据就是图像，音频这种，感谢神经网络给我们带来了这类的进步

为啥深度学习一下子就火了一下子就

因为数据量上去了，感谢信息化

对于小数据 ， svm等常规算法比较好
对于大数据，神经网络越大越好
data
computation
Algorithms

Binary classification

logistic regression is a algorithm for binary classification.
解答了怎么把图像变成向量64643 = 12288 这是输入的维度

logistic regression

用猫猫例子讲了线性回归，一张猫猫图x对应一个y,
y =wx+b,为了让概率变成大于0小于1
需要加上sigmoid， y = sigmoid(wx+b)

cost function

L(y,y) = 1/2(y-y)^2 都是向量相互减

Gradient Desent

梯度下降
一个cost function 是一个convex function
找到最低点

Derivatives with a Computation Graph

反向传播 chain rule
就是求导
dj/da = (dj/dv) * (dv/da)

Logistic regression gradient decent

通过反向传到，链式法则，求出w1和w2的下降梯度， dw1, dw2，最后加上学习率， w = w - a w.就是神经网络基本原理。

Gradient decent on m example

在m个样本上其实就是把累加梯度除以m
这样做有两个循环很麻烦，以后用vectorization来优化算法。

vectorization

为什么要用numpy因为它向量化特别好

用法： c = np.dot(a,b)

正向传播 ： z = np.dot( w.T * x + b);

boardcasting

b实现归一化 cal = A.sum(axis = 0) 然后再去除以本来的值

不要写秩为1的矩阵，用reshape可以变换大小

python numpy 小作业

logistics regression 就是 logistic function造成的，就是sigmoid function
boardcasting 就是numpy的广播机制
在python中使用numpy进行按位运算的时候，有一个小技巧可以帮助减少代码量——那就是broadcasting,广播机制。
简单来说，broadcasting可以这样理解：如果你有一个mn的矩阵，让它加减乘除一个1n的矩阵，它会被复制m次，成为一个mn的矩阵，然后再逐元素地进行加减乘除操作。同样地对m1的矩阵成立