介绍深度学习¶
有很多领域是难以用编程(固定逻辑)来让机器完成任务解决问题，例如计算机视觉、自然语言处理、数据挖掘、基因测序...，所以我们需要 "机器学习" : 让机器自己学习怎么解决问题
深度学习是 Machine Learning Atlas 的重要分支，也是目前最为实用和有效的机器学习实现
备注
术语:
卷积神经网络(CNN(s)): 通常用于图像领域
序列模型: 用于自然语言处理(NLP)
有循环神经网络(RNN) 长短期记忆网络(LSTM)
神经网络(Neural Network)¶
输入 -> 神经元 -> 输出
神经元将输入的数据处理后输出为结果
多个神经元组合(堆叠)成神经网络(也就是层层逻辑交织)，可以处理复杂的推理
神经网络擅长计算从x(输入)到y(输出)的 精准映射函数
神经网络需要大量的x和y(训练样本)才能实现 精准映射函数
神经网络的监督学习(Supervised Learning with Neural Networks)¶
目前几乎所有的神经网络显示出的经济价值，本质上都是一种称为 监督学习 的机器学习类别:
目前非常"成功"的神经网络应用领域是在线广告: 神经网络能够预测你是否点开广告，展示最有可能点开的广告来获取难以置信的利润
深度学习促进了:
计算机视觉: 卷积神经网络CNN 是图像领域最常用的
语音识别: 语音片段输入神经网络可以获得文本记录，音频处理被视为序列数据处理，通常使用RNN，也就是递归神经网络, Recurrent Neural Network
机器翻译: 语言也是顺序数据，会使用更为复杂的RNN来处理
自动驾驶: 卷积神经网络CNN用于处理图像，而雷达数据则需要使用混和的神经网络结构来处理
常见神经网络:
标准神经网络:
卷积神经网络:
递归神经网络:
通过深度学习和神经网络，现在计算机能够更好解释非结构化数据。所以大量的新的令人兴奋的应用出现: 语音识别，图像识别，自然语言处理...