🚀Write In Front🚀
📝个人主页：令夏二十三
🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝
📣系列专栏：深度学习
💬总结：希望你看完之后，能对你有所帮助，不足请指正！共同学习交流 🖊
文章目录
1.1 欢迎来到深度学习
1. 为什么要学深度学习？
2. 我们将学习到哪些内容？
1.2 什么是神经网络？
引例
问题
题解
抽象
复杂化问题
建模
1.3 用神经网络进行监督学习
1. 概念辨析
2. 用神经网络进行监督学习
1.4 小结和课程资源
关于这门课
第一周 深度学习概论
第二周 神经网络基础
第三周 浅层神经网络
第四周 深层神经网络
课程资源
1.1 欢迎来到深度学习
1. 为什么要学深度学习？
-
深度学习改变了互联网的传统业务（搜索和广告），也为人们带来了很多便利生活的新产品。
-
深度学习可以应用到各行各业，AI正在改变世界。
2. 我们将学习到哪些内容？
第一门课【神经网络和深度学习】：神经网络基础，包括建立神经网络、用数据训练神经网络以及关于识别猫的神经网络练习。
第二门课【改善深层神经网络】：学习一系列深度学习算法来严密地构建神经网络。
第三门课【结构化机器学习项目】：学习如何结构化我们的机器学习项目。
第四门课【卷积神经网络】：卷积神经网络。
第五门课【序列模型】：序列模型。
1.2 什么是神经网络？
引例
这门课的名字叫深度学习，为什么我们要先介绍神经网络呢？
那是因为，深度学习指的就是训练神经网络的过程。
这个粗浅的定义句里，包含了三个咱们陌生的词语，我们用下面的例子来解释一下。
问题
给定一个包含了六栋房子信息的数据集，取其中的房屋面积和房价，求房价关于房屋面积的函数，用来根据房屋面积预测房价。
#数据集#
数据集是指一组相互关联的数据样本，可以是数字、文本、音频、图像或视频等形式的数据，用于训练和测试机器学习算法和模型。
下面这个表格就是一个数据集，其中每一列代表一个类型的变量，每一行代表样本空间中的一个成员：
在机器学习中，数据集通常被划分为三种类型，分别是训练集、验证集和测试集。
这三种数据集在训练神经网络中的作用，可以用我们的应试学习来类比。
| 训练神经网络 | 应试学习 |
| 训练集 | 课堂例题 |
| 验证集 | 作业 |
| 测试集 | 考试 |
数据集中的各个数据称为特征，而我们进行测试所得到的结果数据则称为标签，深度学习就是要通过输入特征数据来训练模型，从而在实际应用中获得特征值。
题解
建立一个平面直角坐标系，x轴表示房屋面积，y轴表示房价，将数据集作为一个一个点标在坐标系上：
根据这些离散的点，我们可以拟合出一条经过原点的曲线（在数据集中的地方类似直线），由此得到的函数就可以帮我们预测不同面积房子的价格了。
抽象
在深度学习领域，这样的一个函数就是最简单的神经网络。
在数学中，我们输入x，经过预测函数，最终输出y；
而在深度学习中，我们输入表示房屋面积的数据，通过一个神经元，最终输出表示房价的数据;
一般来说，神经网络是由神经元组成的，因此这样单独的一个神经元被视为最简单的神经网络。
当然，现实生活中，影响房价的因素远远不止房屋面积，用这样一个简单的神经元不足以精准地预测房价，这就需要构建更多的神经元，它们像搭积木一样叠加起来，就成为了一个更大的神经网络。
复杂化问题
给定一个数据集，其中不仅有房屋面积和房价，还有更多的表示可影响房价因素的数据：家庭人口、临近学校质量和家庭资产。根据这些数据，求得预测房价的函数。
建模
四种类型的数据作为输入，这些数据称为特征值，而房价作为输出，输入和输出中间的部分就是我们要建立的神经网络（见下图），中间层的三个圆圈是我们想要得到的、更加能说明房价的因素的数据，而后的椭圆则是直接影响房价的唯一因素。
这样就完成了一个大型的、较为复杂的神经网络的构建，其中的每一个圆圈或椭圆就是一个函数，也可以说是一个神经元，它们的叠加作用就可以帮我们计算出房价。
如果给予神经网络足够多的x和y数据，它会计算出十分精确的房价预测函数。这样输入大量数据、根据数据微调函数的过程，就称为学习，而学习就会使得神经元层次数越来越大，也可以说是越来越深，于是这样的过程就叫做深度学习。我们将数据喂给神经网络、神经网络吃下数据这些动作，就是训练。
为什么我们要将这样一个系统称为神经网络呢？这是因为，构建这样一个系统，就是模拟人类的神经网络，就如同电模拟人的大脑，人工智能是模拟人类的智能。
1.3 用神经网络进行监督学习
1. 概念辨析
这节课我们又引入了一个名为“监督学习”的新概念，加上课程名称“深度学习”和我们常常听到的“机器学习”，难免会让初学者感到头疼，咋这么多“学习”啊！
所以，这里先用一些篇幅来简要地说明一下，这些听起来差不多的概念的联系和区别。
- 从宏观上来看，我们提到的所有概念都属于人工智能范畴，人工智能是计算机科学的一大领域，机器学习是人工智能的子集，而深度学习则是机器学习的子集。
- 机器学习，就是让机器取分析数据找规律，并通过找到的规律对新的数据进行处理，这样找规律和按照规律处理数据的过程是通过算法实现的，因此机器学习主要是设计和分析一些让计算机可以“自动学习”的算法。
- 机器学习按学习形式划分，分为监督学习、半监督学习、无监督学习和强化学习这四种训练方法。
- 深度学习作为机器学习的一个较大的子集，其按学习形式划分后也同上。
- 监督学习是一种有目的的训练方式，需要先选择一个适合目标任务的数学模型，把一部分已知的数据集喂给机器去学习，从而总结出机器自己的方法论，之后我们再把新的问题（测试集）输入机器，让它去解答。
- 无监督学习相比于监督学习，它没有明确的目的，作为一种统计手段，它处理的数据不需要打上标签，它的作用是，在没有标签的数据里发现潜在的一些结构。
2. 用神经网络进行监督学习
- 在如今，神经网络通过监督学习所创造的经济价值是最可观的。
- 深度学习和神经网络用于广告推送、图像识别、语音识别、自动驾驶等等领域已经创造了巨量的价值。
- 对于图像应用，我们通常使用卷积神经网络（CNN），而对于文本则使用递归神经网络（RNN）。
- 机器学习可以应用在结构化数据和非结构化数据中，结构化数据意味着数据之间的关联性很大，而非结构化数据则表明这些数据之间是离散的，其关联性较小，这样非结构化的数据包括音频、模糊图像或文本的内容，人脑是可以很高效地处理这些数据的，但是普通的机器却不行，所以使用神经网络来训练机器，使其可以更好地理解这种数据，可以极大地解放人类的生产力。
1.4 小结和课程资源
关于这门课
第一周 深度学习概论
学习驱动神经网络兴起的主要技术趋势，了解现今深度学习在哪里应用、如何应用。
1.1 欢迎来到深度学习工程师微专业
1.2 什么是神经网络？
1.3 用神经网络进行监督学习
1.4 为什么深度学习会兴起？
1.5 关于这门课
1.6 课程资源
第二周 神经网络基础
学习如何用神经网络的思维模式提出机器学习问题、如何使用向量化加速你的模型。
2.1 二分分类
2.2 logistic 回归
2.3 logistic 回归损失函数
2.4 梯度下降法
2.5 导数
2.6 更多导数的例子
2.7 计算图
2.8 计算图的导数计算
2.9 logistic 回归中的梯度下降法
2.10 m 个样本的梯度下降
2.11 向量化
2.12 向量化的更多例子
2.13 向量化 logistic 回归
2.14 向量化 logistic 回归的梯度输出
2.15 Python 中的广播
2.16 关于 python / numpy 向量的说明
2.17 Jupyter / Ipython 笔记本的快速指南
2.18 （选修）logistic 损失函数的解释
第三周 浅层神经网络
学习使用前向传播和反向传播搭建出有一个隐藏层的神经网络。
3.1 神经网络概览
3.2 神经网络表示
3.3 计算神经网络的输出
3.4 多样本向量化
3.5 向量化实现的解释
3.6 激活函数
3.7 为什么需要非线性激活函数？
3.8 激活函数的导数
3.9 神经网络的梯度下降法
3.10 （选修）直观理解反向传播
3.11 随机初始化
第四周 深层神经网络
理解深度学习中的关键计算，使用它们搭建并训练深层神经网络，并应用在计算机视觉中。
4.1 深层神经网络
4.2 深层网络中的前向传播
4.3 核对矩阵的维数
4.4 为什么使用深层表示
4.5 搭建深层神经网络块
4.6 前向和反向传播
4.7 参数 VS 超参数
4.8 这和大脑有什么关系？
深度学习工程师微专业 - 一线人工智能大师吴恩达亲研-网易云课堂 - 网易云课堂 (163.com)
课程资源
coursera deep learning论坛
Contact us: feedback@deeplearning.ai
Companies: enterprise@deeplearning.ai文章来源：https://www.toymoban.com/news/detail-439691.html
Universities: academic@deeplearning.ai文章来源地址https://www.toymoban.com/news/detail-439691.html
到了这里，关于【深度学习】第一门课 神经网络和深度学习 Week 1 深度学习概论的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
