之前在学习吴恩达的斯坦福大学机器学习课程时，做的是手写的笔记，但是感觉手写还是太慢了，所以这次看NG的深度学习课时决定把笔记都写进博客里。
这次的深度学习系列课程主要分为五周的课程，分别为：
1、神经网络和深度学习；
2、改善深层神经网络：超参数调试、正则化以及优化；
3、结构化机器学习项目；
4、卷积神经网络；
5、序列模型。
这篇主要介绍《神经网络与深度学习》系列第一讲：深度学习概述。
主要内容：
1、使用房价预测的例子来建立神经网络模型；
2、介绍不同的神经网络类型：Standard NN、CNN 及 RNN；
3、在处理非结构化数据上，深度学习近年来发展的非常快；
4、深度学习飞速发展的三要素：大数据、GPU计算及深度学习算法。
1.What is a neural network?
假如我们要建立房价的预测模型，一共有六个房子。我们已知每个房子的面积x，还知道每个房子的价格y。根据这些建立一个函数模型，y=f(x)来预测房价。二者的关系如下所示：
该神经网络的输入x是房屋面积，输出y是房屋价格，中间包含了一个神经元（neuron），即房价预测函数（蓝色折线）。该神经元的功能就是实现函数f(x)的功能。
上图中的蓝色折线即预测函数在神经网络中比较常见，它是一种RELU函数，即Rectified Linear Unit，
除了考虑房屋面积（size）之外，我们还考虑卧室数目（#bedrooms），房屋的邮政编码（zip code/postal code），地区财富水平（wealth）。
因此，这个神经网络有四个输入，如下所示：
四个输入，分别是size，#bedrooms，zip code和wealth。在给定这四个输入后，神经网络所做的就是输出房屋的预测价格y。图中，三个神经元所在的位置称之为中间层或者隐藏层（x所在的称之为输入层，y所在的称之为输出层），每个神经元与所有的输入x都有关联（直线相连）。这就是基本的神经网络的结构图。
2.Supervised Learning with Neural Networks
目前为止，由神经网络模型创造的价值基本上都是基于监督式学习（Supervised Learning）的。监督式学习与非监督式学习本质区别就是是否已知训练样本的输出y。在实际应用中，机器学习解决的大部分问题都属于监督式学习，神经网络模型也大都属于监督式学习。
下面我们来看几个监督式学习在神经网络中应用的例子。
1.房屋价格预测。
根据训练样本的输入x和输出y，训练神经网络模型，预测房价。
2.线上广告
输入x是广告和用户个人信息，输出y是用户是否对广告进行点击。
3.计算机视觉（computer vision）
输入x是图片像素值，输出是图片所属的不同类别。
4.语音识别（speech recognition）
深度学习可以将一段语音信号辨识为相应的文字信息。
5.智能翻译
通过神经网络输入英文，然后直接输出中文。
6.自动驾驶
通过输入一张图片或者汽车雷达信息，神经网络通过训练来告诉你相应的路况信息并作出相应的决策
对于不同的问题使用不同的模型：
（1）一般的监督式学习（房价预测和线上广告问题)，使用标准的神经网络模型
（2）图像识别处理问题，使用卷积神经网络（Convolution Neural Network）（3）处理类似语音这样的序列信号时，则要使用循环神经网络（Recurrent Neural Network），即RNN
（4）例如自动驾驶这样的复杂问题则需要更加复杂的混合神经网络模型。
数据类型一般分为两种：Structured Data和Unstructured Data。
结构化数据：有实际意义的数据。如房价预测中的size，#bedrooms，price；在线广告中的User Age，Ad ID等
非结构化数据：比较抽象的数据。例如Audio，Image或者Text
3.Why is Deep Learning taking off？
深度学习为何如此强大？
上图共有4条曲线。
1.红色曲线代表了传统机器学习算法的表现，例如是SVM，logistic regression，decision tree等。当数据量很大的时候，其表现很一般，性能基本趋于水平。
2.黄色曲线代表了规模较小的神经网络模型（Small NN）。它在数据量较大时候的性能优于传统的机器学习算法。
3.蓝色曲线代表了规模中等的神经网络模型（Media NN），它在在数据量更大的时候的表现比Small NN更好。
4.绿色曲线代表更大规模的神经网络（Large NN），即深度学习模型。在数据量很大的时候，它的表现仍然是最好的，而且基本上保持了较快上升的趋势。
然而，在数据量不大的时候，例如上图中左边区域，深度学习模型不一定优于传统机器学习算法，性能差异可能并不大。
所以说，现在深度学习如此强大的原因归结为三个因素：
Data、Computation、Algorithms
构建一个深度学习的流程是首先产生Idea，然后将Idea转化为Code，最后进行Experiment。接着根据结果修改Idea，继续这种Idea->Code->Experiment的循环，直到最终训练得到表现不错的深度学习网络模型。如果计算速度越快，每一步骤耗时越少，那么上述循环越能高效进行。