吳恩達機器學習1

吳恩達老師近日在網易雲課堂達成合作，開始新的課程。我也跟著後面學習，順便再中做個筆記，以加深記憶！

此次老師的課程主要講解五個部分：

1.neural networks and deep learning

2.improve deep neural networks:hyperparameter tuning,regularization and optimization

3.structuring your machine learning project

4.convolutional neural networks

5.natural language processing:building sequence models

首先，通過兩個例子介紹什麼叫神經網路

例1：單層的神經網路

當給出一系列關於房子的大小與對應房子的**的資料，我們需要尋找乙個函式來模擬房子的大小與房子的**之間的關係，在這裡，通常我們可以理解成乙個線性回歸問題，這是因為在這裡面只有乙個引數。

這時，當我們輸入乙個房間的大小，我們希望可以**出這個房間的**。例如上圖中的綠色線即為我們模擬的函式

例二：多層的神經網路

監督神經網路模型

在監督學習模型中，通常會有乙個資料集，並且已經知道該資料集中每一組輸入資料所對應的輸出，我們需要找到輸入與輸出的關係，並以此為根據來**未來的資料

在監督神經網路模型中，通常可以所研究的問題分為「回歸問題」和「分類問題」。在回歸模型中，我們試圖連續輸出**結果，這也就意味著我們將輸入的變數對映到一些連續的函式中去。相反，在分類模型中，我們希望在離散輸出中輸出結果。換句話說，我們試圖將輸入變數轉變成離散類別。

比如說以下就是一種監督學習：

目前有很多不同的深度網路模型，每個模型也有自己不同的作用。通常，cnn可以用來做處理，rnn通常用來處理一維序列資料，比如說英漢文翻譯或者有時態資料，比如說文字資料。在自主駕駛方面，它是一種混合神經網路結構。

結構化資料與非結構化資料

結構化資料通常是指乙個準確的定義，比如說**，年齡；非結構化資料通常指的是像畫素，原始音訊，文字等等。