Andrew NG 《machine learning》week 4,class1 —Motivations

本节课将讲述关于神经网络的机器学习算法。先讨论神经网络的表层结构，之后再详细讲述算法。

1.1 Non-linear Hypotheses

为了阐述为什么要学习神经网络算法，下面主要是几个例子。

如上图所示，逻辑回归函数对于分类的情况，比较适合于只有少量的特征量的情况，比如说，只有两个特征量x1,x2的时候，逻辑回归函数对于该分类是较好的分类模型，但是如图中所示的那样，特征量为100个，它们之间又存在着不同的相关性，即使你只考虑平方项，那也会有100个项，同时也忽略了较多的相关项，只能出现一个圆形的模型。这种情况下逻辑回归函数就会不是很实用啦。

下图是一个计算机视觉方面的例子。当你想要用机器学习算法构建一个汽车识别器的时候。你需要输入一些汽车照片像素点来训练算法，同时也要输入一些非汽车的图片。

如上图所示，仅仅是一点的像素点就有很多个值，数量也是大得惊人，对于这种非线性的情况，逻辑回归函数已经不再适用。

1.2 Neuron and the Brain

本小节将讲述关于神经网络的背景知识。
神经网络产生的原因呢，就是人们想要人工智能的想法啦。总之呢，就是希望能够实现一个像大脑一样的算法，能把触觉、听觉、嗅觉等感官全部通过一个算法来实现。所以神经网络算法的计算量很大，这也是它没落的原因，但是由于现在的计算机的计算能力不断加强，它又被人们充分的利用起来了。

接下来的课程将详细讲述神经网络算法的思想以及具体算法步骤。