开始写一系列的学习笔记，基于吴恩达的《深度学习》课程，大致一周为一篇。第一节这个没什么内容
注：文章中的很多图片也是来自该课程的
课程链接：http://mooc.study.163.com/smartSpec/detail/1001319001.htm
目录
- 什么是神经网络
- ReLu修正线性单元
- 监督学习supervised learning
- 结构化/非结构化数据
- 为什么深度学习会兴起
一、什么是神经网络
神经网络：定义好输入和输出，喂给足够多的数据，神经网络就可以自己学习出两者的映射关系
例1：房屋价格预测
房屋大小（输入x）->函数（神经元）->房屋价格（输出y）
例2：房屋价格预测（多神经元）
| 输入 | 隐藏单元 | 输出 | ||
| size | -> | family | —> | price |
| bedrooms | walkability | |||
| zip code | school quality | |||
| wealth |
给足够多的(x, y)样本，神经网络就会找到最好的映射方法
二、ReLu修正线性单元
函数的特点是开头一部分的取值为0（避免不可以小于0的情况）
三、 监督学习supervised learning
已知输入x和输出y(标签)，通过样本学习出一个映射函数
比如：自动驾驶、翻译、广告（是否能被点击）、房价估值、音频转换成文字、图像识别 
四、结构化数据：每个数据有确定的定义，数据库
非结构化数据：如音频、视频、图像、文字等
五、为什么神经网络/深度学习会兴起？
- 神经网络使得计算机可以更好地理解非结构化数据(图像、音视频等)，由此可以做出更多应用
- 传统的机器学习在数据增加的早期性能会增加(依赖于好的人工设计)，但后面就会趋于平缓，因为他们不能很好地处理海量数据。传统的机器学习有一个重点是特征工程，如果数据量很大，人工去从中提取“正确”的特征是很难的
- 随着数据量的增大，计算性能的提高，让计算机可以处理更多的数据，由此训练更大的神经网络，从而得到更好的性能
- 一些好的算法的提出也促进了神经网络的发展
(面试被问到了(*￣︶￣))
