神经网络入门篇：神经网络的监督学习Oten

关于神经网络也有很多的种类，考虑到它们的使用效果，有些使用起来恰到好处，但事实表明，到目前几乎所有由神经网络创造的经济价值，本质上都离不开一种叫做监督学习的机器学习类别，下面来举例看看。

在监督学习中你有一些输入\(x\)，想学习到一个函数来映射到一些输出\(y\)，比如之前提到的房价预测的例子，你只要输入有关房屋的一些特征，试着去输出或者估计价格\(y\)。也举一些其它的例子，来说明神经网络已经被高效应用到其它地方。

计算机视觉在过去的几年里也取得了长足的进步，这也多亏了深度学习。我们可以输入一个图像，然后想输出一个索引，范围从1到1000来试着告诉我们这张照片，它可能是，比方说，1000个不同的图像中的任何一个，所以我们可能会选择用它来给照片打标签。

深度学习最近在语音识别方面的进步也是非常令人兴奋的，我们现在可以将音频片段输入神经网络，然后让它输出文本记录。得益于深度学习，机器翻译也有很大的发展。我们可以利用神经网络输入英语句子，接着输出一个中文句子。

在自动驾驶技术中，我们可以输入一幅图像，就好像一个信息雷达展示汽车前方有什么，据此，我们可以训练一个神经网络，来告诉汽车在马路上面具体的位置，这就是神经网络在自动驾驶系统中的一个关键成分。

那么深度学习系统已经可以创造如此多的价值，通过智能的选择，哪些作为哪些作为，来针对于你当前的问题，然后拟合监督学习部分，往往是一个更大的系统，比如自动驾驶。这表明神经网络类型的轻微不同，也可以产生不同的应用，比如说，应用到我们在上一个视频提到的房地产领域，我们不就使用了一个普遍标准神经网络架构吗？

对于更复杂的应用比如自动驾驶，我们有一张图片，可能会显示更多的CNN卷积神经网络结构，其中的雷达信息是完全不同的，我们可能会有一个更定制的，或者一些更复杂的混合的神经网络结构。所以为了更具体地说明什么是标准的CNN和RNN结构，在文献中我们可能见过这样的图片，这是一个标准的神经网络。

下图是一个卷积神经网络的例子

下图是一个递归神经网络

相反非结构化数据是指比如音频，原始音频或者想要识别的图像或文本中的内容。这里的特征可能是图像中的像素值或文本中的单个单词。

从历史经验上看，处理非结构化数据是很难的，与结构化数据比较，让计算机理解非结构化数据很难，而人类进化得非常善于理解音频信号和图像，文本是一个更近代的发明，但是人们真的很擅长解读非结构化数据。

神经网络的兴起就是这样最令人兴奋的事情之一，多亏了深度学习和神经网络，计算机现在能更好地解释非结构化数据，这是与几年前相比的结果，这为我们创造了机会。许多新的令人兴奋的应用被使用，语音识别、图像识别、自然语言文字处理，甚至可能比两三年前的还要多。因为人们天生就有本领去理解非结构化数据，你们可能听说了神经网络更多在媒体非结构化数据的成功，当神经网络识别了一只猫时，我们都知道那意味着什么。

神经网络已经改变了监督学习，正创造着巨大的经济价值，事实证明，基本的神经网络背后的技术理念大部分都离我们不遥远，有的是几十年，那么为什么他们现在才刚刚起步，效果那么好，未完待续...