自己好奇搜了几篇别人对Ng视频的的笔记，读下去可观性很强，后回到自己的笔记却觉得矛盾很多，有些地方搞得很模糊，自己没有仔细去想导致写完读起来很怪，此篇之后我决定放慢记笔记的速度，力求尽多地搞清楚模糊点。
首先之前一直出现的regression analysis(即：回归分析) 究竟是怎么回事？为什么要用回归分析做分类器。“回归分析是研究一个变量关于另一个（些）变量的具体依赖关系的计算方法和理论”敝如前述中曾经举过的例子：试图根据房屋的占地（size）与起居室的数目（number）、房屋的层数（floor）预测房屋的价格，这里的依赖关系从价格输出与3个特征的输入之间体现出来，我们利用所建立的回归分析模型来为接下来其他的输入预测输出。
直观下的NN案例
预测输入(x_1)与(x_2)进行逻辑与的结果是神经网络中最简单的一个应用案例，功能函数图形如下：
鉴于$x_0$为偏置单元，该值的取值总为1.
我们设置第一个theta矩阵参数：
(Theta^{(1)}=[-30 20 20])
介于逻辑与的运算法则：
因此，我们通过使用小型神经网络而不是使用实际的AND门来构建计算机中的基本操作之一。 神经网络也可用于模拟所有其他逻辑门。 以下是逻辑运算符“OR”的示例:
(Theta^{(1)})矩阵分别对逻辑AND、NOR、OR的运算取值如下：
组合起来，可以得到XNOR的运算（$x_1$和$x_2$都是0或1时结果输出1）
对于第一层到第二层的参数$Theta^{(1)}$取值如下：主要实现了AND(与门)和NOR(或非门)的功能：
对于第二层到第三层我们的参数选取为(Theta^{(2)})：
(Theta^{(2)}=[-10 20 20])
总结一下为：
多级分类 (Multiclass Classification)
为了将数据分类到多个类中，我们假设函数返回值的向量。 假设我们想将我们的数据分为四类。 我们将使用以下示例来了解此分类是如何完成的。 该算法将图像作为输入并进行相应的分类：
据上图共4类我们定义输出的结果y为：
每个$y^{(i)}$表示对应于汽车、行人、卡车或摩托车的不同图像。 内层每个都为我们提供一些新的信息，导致我们的最终假设功能。如下图：
输出结果类似于下图：
上图的结果表明得到的是第三个或$h_Theta(x)_3$，代表上图中的摩托车。
下一节将对编程练习ex3做介绍。