机器学习 day14 ( 神经网络 )

最开始的动机：是通过构建软件来模拟大脑，但今天的神经网络几乎与大脑的学习方式无关
我们依据大脑中的神经网络，来构建人工神经网络模型。左图中：一个神经元可以看作一个处理单元，它有很多的输入/树突，但只有一个输出/轴突，这个输出又变成另一个神经元的输入。右图中：这是一个简化的神经元的数学模型，在此，我们不是一次构建一个神经元，而是同时构建很多这样的神经元。
如今，数据量随着时间推移慢慢增加。传统的机器学习算法无法高效利用大数据，但大型的神经网络可以利用大数据来获得很高的性能效率，这是前几代学习算法做不到的，这也导致了深度学习算法起飞，间接导致了GPU的起飞。

左侧的四个数字列表叫做输入层（input layer），中间的三个神经元叫做隐藏层（hidden layer），右侧的一个神经元叫做输出层（output layer）
因为数据集只告诉了什么是正确的输入和什么是正确的输出，但并没有告诉什么是正确的中间层的值，所以这些正确值是隐藏的，所以叫这层为隐藏层
隐藏层输出了三个数字，它们作为下一层的输入，所以这三个数字叫做激活值（这三个神经元在这一层的激活），同理，输出层输出了一个数字，这个数字可能作为下一层的输入，所以这个数字也叫作这个神经元在这一层的激活
神经网络中的在某一层的每一个神经元，可以访问前一层的每个特征，通过设置特征前的参数就可以选择保留和忽略哪些特征。所以我们可以将数字列表写作向量的形式来进行运算，即每层输入一个向量，并输出另一个向量。
神经网络是一种特殊的逻辑回归模型，它不要求我们在隐藏层中手动指定特征，它可以学习并使用自己的特征，更容易做出准确的预测
有多层隐藏层的神经网络也叫多层感知器
设计神经网络模型时，虽然不需要手动指定隐藏层中的特征，但需要设定有多少层隐藏层和每层隐藏层有多少个神经元，即设定神经网络架构