1. 什么是神经网络
例1：房屋价格预测
房屋大小（输入x）->函数（神经元）->房屋价格（输出y）
例2：房屋价格预测（多神经元）
| 输入 | 隐藏单元 | 输出 | ||
| size | -> | family | price | |
| bedrooms | walkability | |||
| zip code | school quality | |||
| wealth |
给足够多的(x, y)样本，神经网络就会找到最好的映射方法
2. ReLu修正线性单元：函数的特点是开头一部分的取值为0（避免不可以小于0的情况）
3. 监督学习supervised learning
已知输入x和输出y(标签)，通过样本学习出一个映射函数
比如：自动驾驶、翻译、广告（是否能被点击）、房价估值、音频转换成文字、图像识别
4.结构化数据：每个数据有确定的定义，数据库
非结构化数据：如音频、视频、图像、文字等
5. 为什么深度学习会兴起？
数据量的增大，计算性能的提高（可以处理更多的数据，训练更大的神经网络）、算法（提高计算性能）
更大的网络，更多的数据，更好的算法性能（训练出的效果更好）
