【吴恩达机器学习】第9章 神经网络学习
非线性假设
为什么需要学习这个算法
非线性拟合
- 多项式
多项式拟合参数个数大于特征个数 - 神经网络
当特征个数过大时,多项式拟合参数过多
二次项的个数大约是(n2)/2(n^2)/2(n2)/2,nnn为特征的个数。
三次项个数大约是(n3)/6(n^3)/6(n3)/6
神经元与大脑
大脑能够通过同一套算法处理不同类型的信号(听觉、触觉、视觉)。
模型展示 1
参数与权重
模型的权重和参数是一个意思。
神经网络
参数矩阵的大小
sj+1×(sj+1)s_{j+1}\times(s_j + 1)sj+1×(sj+1),sjs_jsj为第jjj层的单元数
第二层
第三层
模型展示 2
如何高效进行计算,以及一个向量化实现的方式。
明白如何学习复杂的非线性假设函数。
矩阵表示
前向传播
从第一层到最后一层的计算过程也叫前向传播。
神经网络与logistics回归
每层的每个单元的计算与logistics回归有相同的形式,但是输入不是xix_ixi,而是上一层单元的输出ai(j)a^{(j)}_iai(j)
例子与直觉理解 1
- 神经网络是怎么样计算的
- 为什么能够用来学习复杂的非线性假设模型
神经网络是如何学习复杂非线性假设模型的
拟合的目标:
AND运算
令w0=−30,w1=20,w2=20w_0 = -30, w_1=20, w_2=20w0=−30,w1=20,w2=20
OR运算OR运算OR运算
例子与直觉理解2
NOT运算
XNOR运算