第一节课—— 深度学习概论

      深度学习（deeplearning.ai）是神经网络的一个重要的应用方法。对于神经网络，它的初次建立是在1943年，由心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。 

      神经网络有什么用途呢？有一个小案例进行引入：对于房地产行业来说，定房子的价格是个技术活，为什么这么说呢？因为房地产商要考虑到房子的大小、位置、附近的社会环境（比如学校、商业街等），所以用一个什么标准去制定房子的价格？这就用到了神经网络。在神经网络中，一旦使用一个已经训练好的神经网络来做这些事情，那么只需要输入地产商所考虑的诸方因素所占的比例，就可以得到一个精确的价格。这个例子只是神经网络的一个应用众所周知的还有语音识别、图像识别、无人机、自动驾驶、机器视觉、手写体识别等。

      深度学习可以分为监督学习和无监督学习两类。监督学习顾名思义，有历史的数据和样本，根据训练数据的输入会有一个训练数据的输出进行评判（相当于教室在改答案，所以叫“监督”），无监督就是不知道数据集输出是什么，只能靠神经网络本身进行输出。神经网络分为很多种，根据不同的用途大致为CNN、StandNN、RNN。

    神经网络提出了很长时间，可是为什么最近才成为很流行的工具？

    让我们回顾一下这几十年的发展。光是从数据库的角度来讲，由文件管理系统专为关系数据库的一个很重要的原因是数据量的迅速增长。同样，在神经网络领域，庞大的数据量也是阻止神经网络流行的原因。幸运的是，神经网络科学家们通过不断的改进算法模型，由传统的SVM转向卷积神经网络模型、深度学习等等，下图是几个神经网络模型：

随着数据量的增长，新的模型优势就很突出了：

红色表示传统的神经网络学习模型，比如SVM，黄、蓝、绿分别表示现在不同规模的神经网络随着数据量的增加而表现出的性能。

、

出现这种情况的原因很简单：算法的创新就是为了能更快速的得到结果！很幸运，这种情况现在依旧在持续。

以上图片和课程来自于吴恩达所讲授的深度学习，哔哩哔哩即可搜到，感谢浏览！