有許多關於 神經網路天花亂墜報導 而也許有些報導 是正確的, 因為他們作用如此好 但實際上目前為止 所有有經濟價值 由神經網路製造出的是 一種機器學習 稱為監督式學習 我們看看這是什麼意思 我們來看幾個例子 在監督式學習 您有一些輸入 x, 而 您想訓練ㄧ個函數 對應到一些輸出 y 舉個例子, 我們剛剛看過的 房價預測應用 您輸入一些房子特徵 試著輸出或預估房價 y 這裡有一些例子神經 網路應用得很 有效 或許單一最賺錢 的深度學習應用是 線上廣告，也許不是最令人振奮，但當然非常有利可圖， 其中, 輸入的資訊為 一個網站的廣告, 它思考著 加入一些使用者的資訊, 神經網路能 很好的預測您會不會點擊這個廣告 而顯示您跟 顯示使用者那些廣告,您大概 會去點擊已經是 很多公司利潤豐富的產業應用 因為能夠顯示您 哪些廣告您大概會去 點擊已經影響到 一些大型 線上廣告公司的計算盈虧的底線 電腦視覺過去幾年 也取得重大進展 主要來自深度學習 所以您輸入一張影像而 您想輸出一個索引 假設 1 到 1,000 試著 告訴您這張影像是否 是這 1000 張不同影像之一 所以您也許使用它來標記影像 我想最近在語音 辨識的進展也令人興奮 您可以輸入一段 語音到神經網路而 輸出成一段文字 機器翻譯已經獲得 重大進展因為有深度學習現在 您可以用神經網路輸入 英文然後直接輸出例如 中文 在自動車駕駛, 您也許輸入 一張影像, 或許一張圖像放在 車子前面跟一些 雷達的資料 基於這些, 也許神經網路 可以訓練告訴您 其他路上車子的位置 所以這變成一個重要的元素 在自動車駕駛 很多經由 神經網路的價值創造已經很聰明的 選擇什麼該是 x 跟什麼該是 y 對於您特定的問題, 而然後配合 這些監督式學習元素到 很大的系統像是 自動駕駛 實際上有些許不同 種類的神經網路用在 不同的應用上 舉例來說, 在我們之前看過的房地產 應用上 我們看過一次普遍標準的 神經網路架構, 對吧 也許房地產 跟線上廣告是相對 標準的神經網路 就像剛剛看過的 對於影像應用我們通常 使用卷積神經網路 通常簡寫成 CNN 而對於序列資料 舉個例子 聲音是一瞬間的元素, 對吧 聲音隨著時間播放 所以成為最自然的 一維時間序列 或者說一維時間序列 所以對於序列資料 您通常使用 RNN 循環神經網路 語言, 英文跟中文, 字母或字一次出現一個 所以語言是最自然 呈現序列資料 而更複雜版本的 RNN 通常應用在這些應用上 然後更複雜的應用 像是自動車駕駛, 您有 一張影像也許建議使用 CNN 卷積神經網路架構跟 雷達資訊 或許相當不同 您也許最終使用一種客製化 一些更複雜 混合型的神經網路 所以稍微具體一點 有關標準 CNN 跟 RNN 架構 所以在文獻中你可能看到這樣的照片。 這就是一個標準的神經網路。 您或許看過這樣的圖片 這是一個卷積 神經網路的例子, 我們將會 在以後的課程了解這個圖片 的意思跟如何建置它 但卷積網路 最常使用於影像資料 您也許看過 這樣的圖片 您將會在以後的課程 學習如何建置 循環神經網路 對於 這類一維序列 資料也許是時間序列 您或許聽過 機器學習的應用 在結構資料 跟非結構資料 這個是這專有名詞的意思 結構資料意思是 基本上是資料庫的資料 舉個例子， 房價 預測, 您或許有一資料庫或 欄位告訴您房子大小 跟房間數 所以這是結構資料或者 在預測是否一個使用者會不會 點擊廣告, 您也許有一些資訊 有關使用者, 例如年齡 一些資料有關廣告然後 標註為什麼您試著這樣預測 所以那是結構資料 意思是每一個特徵 就像房子大小 房間數或者 使用者年齡 都是定義好的 相對的, 非結構資料指的是 像是聲音, 原始音訊 或者影像而您想去 辨識什麼在影像或是文字中 這裡特徵可能是 影像的位元值或者 單一字元在一串文字當中 歷史上, 它是比較困難的對於 電腦去理解非結構 資料相對於結構資料 實際上人類已經進化 到非常能了解 聲音及影像 而文字是比較現代的發明 但 人們非常能 解釋非結構資料 所以有關神經網路的崛起 其中最令人興奮的事之一是 因為深度學習, 因為神經 網路, 電腦現在比較能 解釋非結構資料 相對於幾年以前 而這產生的機會是 很多新的令人興奮的應用 語音辨識、 圖像識別、 自然語言處理的文字， 就在這兩三年前變得必較可行 我想因為人們有天生的 同理心去理解非結構 資料, 您或許聽到有關神經 網路在非結構資料的成功 大都在媒體因為 當神經網路能辨識貓時很酷 我們都喜歡這樣 我們知道這代表時麼意思 但實際上很多短期 經濟價值的神經 網路創造的 是結構性資料 就像是好的廣告系統 好的利潤建議 就只是更好的能力來 處理大量的資料 許多公司必須 精確的從它們做預測 所以在這個課程中, 很多 技巧我們將應用到 結構性資料跟 非結構性資料 為了 解釋這些演算法的目的 我們會多拿一些 非結構性資料的例子 但當您跟您的團隊想使用 神經網路做應用時 希望您同時使用 結構化及非結構化資料 所以神經網路已經轉化了 監督式學習 創造出巨大的經濟價值 不過，事實證明，神經網路背後的基本技術思維 已經存在已久 甚至幾個世紀 為什麼會直到最近 才起飛作用得很好呢? 在下一段影片中, 我們將談到 為什麼直到最近 神經網路才變得像這樣 讓您可以使用難以置信的巨大工具