Deep Learning（大二）

主要是依据的斯坦福上吴恩达的视频内容讲解，辅助其他博客讲解。

斯坦福的视频呢，每个都比较短，大约10min左右，但是英文讲解。由于一开始对计算机的专业词汇了解较少，所以一开始呢，不是很容易理解，但是之后在网上查到了很多机器学习的讲解，发现，这个真的很厉害啊，人工智能说不定就行引领世界未来的发展潮流，而且它现在已经被众多互联网公司所看中，它的准确率完全压爆现在所有应用的算法。以下是我查到滴什么是深度学习：

神经网络只是深度学习的一种方式。sparse coding ,DBN等等也属于深度学习，但是跟神经网络没有关系。所以说深度学习是一个很大的范畴。为什么最近会火？数据量爆炸式增长，GPU的应用使得计算能力成倍提高。深度学习在机器学习竞赛中一下干了传统的方法10%（一般改进只能提升1～2%），所以引起了关注。另外媒体总是爱宣传人脑和深度学习之间关系，其实，深度学习只是对人脑的简单模仿，与脑机制这些关联不大，他只能完成单一的任务，这方面更多的是靠计算机和数学，而不是神经科学。神经科学只能做做启发。深度学习离电影里的“人工智能”至少还有100年。深度学习虽然能够自动的学习模式的特征，并可以达到很好的识别精度，但这种算法工作的前提是，使用者能够提供“相当大”量级的数据。

Google Brain之父：计算机终能模拟人脑（碉堡的一句话，有木有）

回到正题哈

首先第一板块：线性回归 梯度下降LINEAR REGRESSION

总的来说呢，这一章主要向我们介绍了深度学习的模型，先要有一大部分的数据，其中会有给定的输入和输出，让计算机去认识这个过程，理解输入的特点特征，然后在进行一定的归类整理其具有的特点，对应到输出中去。视频中介绍了俩个例子：一个是肿瘤的大小与厚度的关系，另一个是房价与面积和楼层的关系。输入实例的一些数据信息，从而可以在二维坐标平面上看到有一条对应的回归曲线，之后可以通过曲线预测输入点对应的信息。