1.什么是神经网络
深度学习是指训练神经网络的这个过程,那么神经网络是什么,我们可以从房价预测的例子说起:
前提是你的有一个数据集,假设这个数据集中包含有六栋房子的信息(面积和房屋价格),这时,你想要拟合一个根据房屋面积预测房价的函数.我们假设拟合如下图所示的直线.
作为一个神经网络,这可能是最简单的神经网络.我们把房屋面积(x)作为神经网络的输入,通过一个节点(上图的一个小圆圈),最终输出了价格(y).其实这个小圆圈就是一个单独的神经元.然后你的网络实现了左边这个函数的功能.
神经网络的一部分神奇之处就在于:当你实现它之后,你要做的就只是输入x,就能得到输出y.因为它可以自己计算你训练集中样本的数目以及所有的中间过程.
另外指的注意的是神经网络给予足够多的关于x和y的训练样本,神经网络将会非常擅长计算x到y的精准映射函数.
2.神经网络的监督学习(Supervised Learning)
神经网络种类很多,考虑到他们的使用效果,基本上都离不开一种叫做监督学习的机器学习类别.
在监督学习中你有一些输入的x,此时你想学习到一个函数来映射得到一些y,例如我们之前提到的房价预测的例子,你只要输入有关房屋的一些特征,试着去输出或估计价格y.以下是其它一些神经网络应用到其他方面的例子.
机器学习不仅可以应用与结构化数据,同时对于非结构化的数据也有很好的应用,结构化的是数据往往意味者数据的基本数据库.例如我们在房价预测中,可能有一个数据库,其中有专门的几列会展示给你房屋的大小,或者房屋距离学校的长度,这就是结构化的数据.
相反对于非结构化的数据,比如音频,或者识别的图像或文本中的内容,而这里面的特征可能是图像中的像素值或文本中的单个单词.