Machine Learning Andrew Ng -8. Neural Networks - Representation

8.1 Non-linear hypothesis

当初始特征个数n很大时，将这些高阶多项式项数包括到特征里，会使特征空间急剧膨胀。

因此，当特征个数n很大时，增加特征，来建立非线性分类器，并不是一个好做法。

对于许多机器学习问题，特征个数n是很大的。

用机器学习算法构造一个汽车识别器时，我们要做的就是提供一个带标签的样本集，其中一些样本是各类汽车，另一部分样本不是车，将这个样本集的输入给学习算法以训练出一个分类器。

然后我们进行测试，输入一幅新的图片，让分类器判断这是什么东西。

如果我们要通过包含所有的二次项特征来学习得到非线性假设，总共就有约300万个特征，这个数字太大了…

对于每个样本，都要找到并表示所有这300万个特征，这计算成本太高了！

神经网络在学习复杂的非线性假设上被证明是一种好得多的算法，即使输入特征空间或n很大，也能轻松搞定。

8.2 Neurons (神经元) and the brain

听觉 神经可以学会“看”， 触觉神经也也可以学会“看”

上述实验被称为神经重接实验：如果有一块脑组织可以处理光，声，或触觉信号，那么也许存在一种学习算法可以同时处理视觉，听觉和触觉，而不是需要运行上千个不同的程序或者上千个不同的算法来做这些大脑所完成的成千上万的美好事情。

8.3 Model representation I

运用神经网络时，我们该如何表示我们的假设或模型？

神经元是一个computation unit 计算单元，它从输入通道(input wires), 接收一定数目的信息，并做一些计算，然后将结果通过它的轴突传送到其他节点或者大脑中的其他神经元。

8.4 Model representation II

如何高效进行计算并展示一个向量化的实现方法，为什么是这样表示神经网络的，神经网络如何帮助我们学习复杂的非线性假设函数？

这个神经网络所做的事情就像是逻辑回归，但是它不是使用原本的 $x_1,x_2,x_3$ 作为特征而是用 $a_1,a_2,a_3$ 作为新的特征。

8.5 Examples and intuitions I

$x_1,x_2$ 同时为真或同时为假时 $y=1$.

8.6 Examples and intuitions II

8.7 Multi-class classification

要在神经网络中实现多类别分类采用的方法本质上是一对多法的拓展。

i-class classification