在吴恩达深度学习视频以及大树先生的博客提炼笔记基础上添加个人理解，原大树先生博客可查看该链接地址大树先生的博客- ZJ
知乎：https://zhuanlan.zhihu.com/p/31755974
CSDN：http://blog.csdn.net/junjun_zhao/article/details/79224373
1.1 Welcome
AI 发挥着重要作用：
- AI is the new Electricity
- Electrification of our society transformed every major industry,everything ranging from transportation,manufacturing, healthcare,communications and many more
- AI now will to bring about an equally big transformation
- 我认为 AI 是最新的电力
- 大约在一百年前，我们社会的电气化，改变了每个主要行业。从交通运输行业，到制造业、医疗保健、通讯等方面。
- AI 现在会带来另一个同等巨大的改变变革。
What you’ll learn
Courses in this sequence (specialization)
- Neural Network and Deep Learning （神经网络与深度学习）
- Improving Deep Neural Networks: Hyperparameter tuning,Regularization and Optimization （改善深层神经网络：超参数调整，正则化以及优化）
- Struct your machine learning project （结构化机器学习项目）
- Convolutional Neural Networks （卷积神经网络）
- Nature Language Processing: Building sequence Models （序列模型）
1.2 什么是神经网络？ （What is a Neural Network?）
“深度学习”指的是训练神经网络，有时候规模很大，那么神经网络究竟是什么呢？
房价预测的例子：
- 假设有一个六间房屋的数据集。
- 已知房屋的面积单位是平方英尺或平方米，已知房屋价格。
- 想要找到一个函数，根据房屋面积 预测房价的函数。线性回归，用这些数据来拟合一条直线。
ReLU 函数，全称是“修正线性单元”，即 ReLU “修正”指的是取不小于 0 的值。
另一个例子：
房屋的其它特征。可能是卧室的数量，邮政编码，和周边的富裕程度。已知这些输入的特征，神经网络的工作就是预测对应的价格，同时也注意到这些圈圈，在一个神经网络中它们被叫做“隐藏单元”，每个的输入都同时来自四个特征。在这个例子中 x 是所有的这四个输入。 y 是预测的价格。
值得注意的是神经网络只有你喂给它足够多的数据，关于 x 和 y 的数据，给到足够的 x、y 训练样本，神经网络非常擅长于，计算从 x 到 y 的精准映射函数。这就是一个基本的神经网络。
1.3 用神经网络进行监督学习 （Supervised Learning）
监督学习 Supervised Learning
例子：在监督学习中，你有一些输入 X ,然后你想学习到一个函数，可以映射到输出 y。
结构化数据 和 非结构化数据
- 结构化数据：是数据的数据库 意味着每个特征，比如说房屋大小，卧房数量，用户的年龄，都有着清晰的定义。
- 非结构化数据： 比如音频、原始音频、图像，你想要识别图像或文本中的内容，这里的特征可能是图像中的像素值，或者是文本中的单个单词。
深度学习和神经网络使得计算机现在能更好地解释非结构化数据。
1.4 为什么深度学习会兴起？（Why is Deep Learning taking off?）
水平轴代表完成任务的数据数量，垂直轴代表机器学习算法的性能。
“带标签的数据量”，带标签的数据，在训练样本时，我们有输入 x 和标签 y 。
- 数据和计算能力规模的进展
- 算法方面的极大创新 （从 sigmoid 函数，转换到这样的 ReLU 函数）
1.5 关于这门课 （About this Course ）
week 1 内容:
1.6 课程资源 （ Course Resources）
Coursera-Deep Learning:https://www.coursera.org/specializations/deep-learning
PS: 欢迎扫码关注公众号：「SelfImprovementLab」！专注「深度学习」，「机器学习」，「人工智能」。以及 「早起」，「阅读」，「运动」，「英语 」「其他」不定期建群 打卡互助活动。