【深度学习1】什么是神经网络

神经网络

神经网络通过模拟人脑神经元之间的连接方式，学习输入数据与输出结果之间的映射关系，从而实现对复杂模式的识别、预测或决策。

输入特征x -- 通过神经元（计算）-- 输出数据y

输入层--隐藏层--输出层

x到y是一种映射

ReLU函数（rectified linear unit，修正线性单元，一种非线性激活函数）

ReLU(z)=max(0,z)

修正：取不小于0的值

激活函数决定了神经网络中一个神经元是否应该被 “激活”（即输出信号的强度），它接收神经元的加权输入（通常是前一层输出的线性组合），并输出一个非线性变换后的结果，作为下一层的输入。

监督学习（supervised learning）

监督学习是机器学习的一种核心范式，其核心思想是利用带有标签的训练数据，让模型学习输入与输出之间的映射关系，最终实现对未知数据的准确预测。简单来说，就像老师带着学生学习：老师会给出 “问题（输入）” 和 “标准答案（标签）”，学生通过学习这些示例，掌握规律后再独立解决新问题。

常用神经网络：

        一些数据预测 ：标准神经网络Standard NN；

        图像领域： 卷积神经网络 CNN；

        一维序列数据（音频、文本）： 循环神经网络RNN；

结构化数据（structured data）和非结构化数据（unstructured data）

结构化数据：如数据库中的数据，每个数据都有清晰的定义。

非结构化数据：如文本中的单词、图像中的像素值。

深度学习需要大量数据，大量的计算，以及使用算法实现。