笔记学习自网易云课堂-微专业-深度学习工程师
什么是神经网络？
神经网络(也称之为人工神经网络，ANN)，顾名思义，是结合了对大脑工作机理的研究，应用在计算机领域的一种模型（算法）。
神经网络模型
经典的神经网络模型如下，红色的是输入层，绿色的是输出层，中间是隐含层。其实就是像人的神经系统一样，圆圈对应神经元，连线对应神经元之间的突触。 
分类
根据上面的模型，神经网络的层数是可以调整的。根据层数（一般说的隐含层）的多少，分为单层，两层或多层神经网络模型
与其他概念的关系
- 神经网络是一门重要的机器学习技术。
- 神经网络是深度学习的基础，深度学习其实就是传统的神经网络发展到了多隐藏层的情况。
- 神经网络是一种现代优化算法（又称为现代启发式算法，是一种具有全局优化性能、通用性强、且适合于并行处理的算法。）
神经网络的应用
神经网络广泛应用与解决各种问题，如函数拟合、模式识别、分类和聚类等。随着多层神经网络的研究，神经网络的应用变得越来越广泛。
实例 房价预测
用神经网络进行房价预测是神经网络应用的一个经典实例，了解这个问题的解决将是学习神经网络一个很好的起点，问题的解决大概有这么几步：
- 用大量数据对你创建好的神经网络进行训练，这些数据是已经销售的房子的价格和房子的相关信息。
- 训练好后，直接就能用用看了，你只需输入你想要预测价格的房子相关信息，比如房子面积，所在地理位置等，然后就能输出预测出来的价格
- 当然，往往需要多次试验，不断根据结果调制模型，以达到更好的效果。
房价预测问题，实际就是用神经网络进行拟合，寻找输入和输出的关系，比如房子面积，几室几厅和处在区域等和实际销售价格之间的关系。按一般经验来说，房子面积越大，房间越多，地理位置越好（比如市中心），那么房子就会买的越贵。但是实际情况会更复杂，影响房子价值的因素会很多，而且相关因素不一定是线性的，因素之间还会互相影响，这时候我们就可以用神经网络模型来进行预测，只需输入大量的有效数据，就可以自动帮我们综合考虑这一切。
Matlab的Neural Network Toolbox上有这个实例，有Matlab的同学可以看着参考文档上手试一试。
用神经网络进行监督学习
这里需要理解一个概念，就是监督学习(或称指导学习。supervised Learning)。监督学习是一种机器学习方法，思路是“已知问题的答案，反向找出解题的逻辑。”好比有一类数学题完全不会，一般我们都会自然而然的先看几道例题和答案，在慢慢摸索解题思路，这就是监督学习。 而上面的房价预测例子中，便是先输入大量已知的房价，对神经网络进行训练，然后预测未知的房价，这就是用神经网络进行监督学习。可以说，区别一种机器学习方法是否为监督学习，只需看预先有没有训练的过程。
监督学习的应用
监督学习的应用范围很广，比如很多预测类问题，语音识别，图像识别，机器翻译，自动驾驶技术等等 
两个概念
- 结构化数据:一些问题中，很多信息我们很方便把它量化出来的，比如房价预测中，大小，卧室数量都是现成的数字，这样就很方便处理。
- 非结构化数据:但是现实世界中，大多数据我们是难以量化的，比如图片识别是猫还是狗，虽然图片本身可以存储为数据矩阵，但是什么样的图片是猫，也就是图片中包含的具体信息（猫和狗的特征），难以量化描述。
为什么深度学习会兴起
实际上，每一种技术，包括机器学习，神经网络，深度学习什么的，虽然最近很火，好像新技术一样。其实它们从产生到发展过程中都经历过很多起伏。比如神经网络技术，发展了70年了，中间一度被新技术取代，现在随着深度学习的兴起有重回人们的视野。 所以说，现在技术迭代太快，学的东西一不小心就会被淘汰，所以了解技术本身的同时，也要了解这个技术为什么会兴起，以便更从容的应对将来的变化。
课程中吴恩达分析对深度学习会什么会兴起做了两方面的分析。
大数据时代
如今被称为大数据时代，因为我们每时每刻，只要是使用联网的电子设备都会产生数据，并且人们把现实中的各种实体都在加以数据化，所以如今的现成数据是海量的，并且获取新的数据也变的很方便。 而神经网络需要的就是海量的数据进行训练，理论上来讲，神经网络层数越多，可以驾驭的数据量也就越大，而训练所用的数据量越大，性能就会越好。如今数据越来越大，多层神经网络（深度学习）的优势就体现出来了，而面对数据量的增加，其他的机器学习方法也比不上深度学习了。
更好的算法和机器
硬件技术和软件技术都在迅猛的发展，人们对应神经网络模型也提出了更好的算法，现在训练一个网络是很快的，比如Matlab，在一般笔记本电脑上用几万的样本数据训练一个网络只需要几分钟。这样我们很方便的可以不断的调制我们的模型，再不断的训练，多试验一下就可以找到更好的模型。
参考的网址