深度學習這個專有名詞
指的是訓練神經網路 有時候很大的神經網路 到底什麼是神經網路? 在這段影片中, 讓我給您
一些基本的直觀 讓我們從
房價預測例子開始 假設您有一個資料集有
六個房子, 您知道這些房子的大小是 多少平方呎或者多少平方米
您也知道房價，您想要 用一個函數來預測
房價, 房子大小的函數 如果您熟悉線性
迴歸分析, 您也許會說，讓我們 用一條直線來配這些資料
所以我們得到一條直線像這樣 但加一點點花樣, 您會說
我們知道價格 永遠不會是負數 所以與其使用直線來配
最終會變負數 讓我們扳一下這個曲線 在這裡它會變成 0 這個厚的藍色線最終
會是您的函數來 預測房價
以房子的大小的函數 而0在這裡然後有
這一條線配到右邊 您可以想像這個函數
您用來配這些房價 是很簡單的神經網路 這幾乎是最簡單的神經網路 讓我畫在這裡 我們有一個輸入到這個神經網路
房子大小我們稱為 x 它進入這個節點
這個小圓圈 然後輸出價格我們稱為 y 所以這個小圓圈, 是一個
單一神經元在神經網路中 建立這個函數
我們畫在左邊 這個神經元做的是輸入
大小, 計算這個線性函數 取最大值 0, 
然後輸出預測價格 順便說一下在神經網路
論文中, 您會常看到這個函數 這個函數先從
0一段時間然後 它會起飛成一條直線 這個函數稱為 ReLU
函數是 線性整流函數 (Rectified Linear Unit) 所以 R-E-L-U 
而 整流的意思是取極大值 0
是為什麼您得到的函數形狀像這樣 您現在不需要擔心
有關 ReLU 但只是
您會在以後的課程中再見到它 所以如果這是一個單一神經元
神經網路 實在是極小神經網路
而一個大型的神經網路 是由很多的
單一神經元堆疊在一起 如果您想像這個神經元
像是樂高積木一樣, 您可以 得到一個大的神經網路用
很多的這些樂高積木疊在一起 我們來看個例子 假設與其只使用
房子大小來預測房價 您現在有其他的特徵 您知道房子其他東西
像是臥房數目 我把它寫成 #bedrooms, 
您也許想一件事 真得會影響房價
是家庭的大小 這間房子
適合您三個, 四個或是 五個家庭成員? 而這實際上基於房子大小
幾平方呎或幾平方米而 房間臥房數目
決定了是否 一個房子可以配合
您家庭成員多寡 然後也許您知道
郵遞區號 (zip code) 不同國家稱之為郵遞區號 (postal code) 而這郵遞區號也許
代表您的可行走性 所以這個區域是高可步行性? 像是走路到雜貨店 走路到學校 需要開車嗎? 有些人喜歡高度可步行性區域 郵遞區號
或許跟富有程度會告訴您 在美國確是如此但
一些國家也是 告訴您學校的品質 所以每個這種小圈圈
畫在這裡一些可能是 ReLU 線性整流函數, 或者一些是稍微非線性函數 基於房子大小跟
跟臥房數目 你可以估計家庭的規模，
他們的郵遞區號，預估可步行性， 基於郵遞區號跟
富有狀況來預估學校品質 最後您也許想
人們用來決定花多少錢 買一間房子是基於
一些真的對他們重要的事情 在這裡是家族成員
可步行性跟學校品質而 這些幫助您預估房價 所以在這個例子中，x 是所有這些四個輸入 y 是你想要
預測的價格 所以將這些
單獨的神經元或簡單的預測堆疊在一起 就像之前的這些投影片一樣, 我們現在
有一稍微大的神經網路 您要如何管理神經網路
也就是當您建置它時 您需要給一個輸入 x 輸出 y 一些
您訓練集的例子 所有中間的這些
它們會自己搞定 您真正建立的會是 您有一個神經
網路有四個輸入 輸入的特徵會是房子大小
臥房數目 郵遞區號跟
鄰居的財富情況 所以給予這些輸入特徵 這個神經網路的工作
就是預估房價 請注意到這些
圓圈, 這些是稱為隱藏單元 在神經網路裡這些每一個
拿進這四個輸入的特徵 所以在這個例子, 與其說這
第一個單元代表家族大小而 家族大小只依據於特徵
 x1 跟 x2, 我們這麼說
神經網路 在神經網路, 您決定
這些節點是什麼 我們會給您所有四個輸入特徵
來計算您想要的 所以我們說這些層
是這個輸入層跟 這些中間層
在神經網路中是緊密連接 因為每一個輸入特徵連接了
每一個 在中間層的圓圈 而值得注意的是神經
網路只要給予足夠的資料 x 跟 y, 給予足夠的訓練例子
 x 跟 y, 神經網路 會非常好的找出
函數來對應從 x 到 y 所以這是基本的神經網路 實際上當您建立您的
神經網路 您或許會發現他們是最有用
最強大 在監督式學習裡, 意思是
您試著拿輸入 x 對應一些輸出 y, 像我們剛剛看到的
房價預測的例子 在下一段影片中，讓我們試著
一些更多的監督式學習的例子 一些例子, 您也許會發現
神經網路會無比的有用 在一些應用上