1 为什么需要机器学习
Why do we need machine learning?
面对一个复杂而多变的场景，我们很难通过单纯的程序逻辑去诠释：
- 如何在复杂环境中判断三维物体在不同灯光和角度下的状态？
- 如何合理推测信用卡欺诈的可能性？欺诈是一个动态可变的过程
机器学习的优势：
- 可以通过示例的输入输出进行算法自动学习，得到海量弱规则
- 好的（没有过拟合的）模型不仅适用于训练集，也适用于新的数据
- 面对动态可变的过程，可以通过新增数据训练，不断优化完善模型
神经网络的优秀案例：
MINIST手写数据识别：已经被完全攻克了。。 ImageNet图片分类（涉及130W数据和1000个类别）：
- 2010年错误率为47% 考虑前五类选择的错误率为25%
- 2012年错误率为40% 考虑前五类选择的错误率为20%
George Dahl 和 Abdel-rahman Mohamed 倡导的DNN模型已经在声学领域逐步取代过去的机器学习模型：Mohamed, Dahl, & Hinton在2012年推出的模型在TIMIT音素识别基准测试中，得到了20.7%的错误率，一举超过之前的24.4%最好成绩。
2 什么是神经网络
What are neural networks?
神经元网络的灵感来源于真实大脑中的神经元，神经元及其自适应连接过程启发了神经网络的并行计算方式，现有的神经网络虽然和大脑的运作存在差异，但是却在实际工作中取得了很多非常优秀的成果。
一个典型的神经元：
- axon 轴突
- dendritic tress 树突
- axon hillock 轴突体
学会深入大脑内部机制
3 一些常见的神经元
Some simple models of neurons
4 一个简单的学习示例
A simple example of learning
介绍了经典的minist手写数字识别的案例
并以此为例简单说明神经网络的内部计算流程
5 学习的三种分类
Three types of learning
- 监督学习-回归、分类
- 强化学习-奖励机制
- 非监督学习-输入的内部表示