神經網絡的監督學習(Supervised Learning with Neural Networks)
（請注意文中粗體部分內容，劃重點吶！）
關於神經網絡也有很多的種類，考慮到它們的使用效果，有些使用起來恰到好處，但事實表明，到目前幾乎所有由神經網絡創造的經濟價值，本質上都離不開一種叫做監督學習的機器學習類別，讓我們舉例看看。
在監督學習中你有一些輸入x ，你想學習到一個函數來映射到一些輸出 y ，比如我們之前提到的房價預測的例子，你只要輸入有關房屋的一些特徵，試著去輸出或者估計價格 。我們舉一些其它的例子，來說明神經網絡已經被高效應用到其它地方。
監督學習
在線廣告
如今應用深度學習獲利最多的一個領域，就是在線廣告。這也許不是最鼓舞人心的，但真的很賺錢。具體就是通過在網站上輸入一個廣告的相關信息，因為也輸入了用戶的信息，於是網站就會考慮是否向你展示廣告。
神經網絡已經非常擅長預測你是否會點開這個廣告，通過向用戶展示最有可能點開的廣告，這就是神經網絡在很多家公司難以置信地提高獲利的一種應用。因為有了這種向你展示你最有可能點擊的廣告的能力，而這一點擊的行為的改變會直接影響到一些大型的在線廣告公司的收入。
計算機視覺在過去的幾年裡也取得了長足的進步，這也多虧了深度學習。你可以輸入一個圖像，然後想輸出一個索引，範圍從1到1000來試著告訴你這張照片，它可能是，比方說，1000個不同的圖像中的任何一個，所以你可能會選擇用它來給照片打標籤。
語音識別
深度學習最近在語音識別方面的進步也是非常令人興奮的，你現在可以將音頻片段輸入神經網絡，然後讓它輸出文本記錄。得益於深度學習，機器翻譯也有很大的發展。你可以利用神經網絡輸入英語句子，接著輸出一箇中文句子。
自動駕駛
在自動駕駛技術中，你可以輸入一幅圖像，就好像一個信息雷達展示汽車前方有什麼，據此，你可以訓練一個神經網絡，來告訴汽車在馬路上面具體的位置，這就是神經網絡在自動駕駛系統中的一個關鍵成分。
那麼深度學習系統已經可以創造如此多的價值，通過智能的選擇，哪些作為 哪些作為 ，來針對於你當前的問題，然後擬合監督學習部分，往往是一個更大的系統，比如自動駕駛。這表明神經網絡類型的輕微不同，也可以產生不同的應用，比如說，應用到我們在上一個視頻提到的房地產領域，我們不就使用了一個普遍標準神經網絡架構嗎？
也許對於房地產和在線廣告來說可能是相對的標準一些的神經網絡，正如我們之前見到的。
對於圖像應用，我們經常在神經網絡上使用卷積（Convolutional Neural Network），通常縮寫為CNN。對於序列數據，例如音頻，有一個時間組件，隨著時間的推移，音頻被播放出來，所以音頻是最自然的表現。作為一維時間序列（兩種英文說法one-dimensional time series / temporal sequence）.對於序列數據，經常使用RNN，一種遞歸神經網絡（Recurrent Neural Network），語言，英語和漢語字母表或單詞都是逐個出現的，所以語言也是最自然的序列數據，因此更復雜的RNNs版本經常用於這些應用。對於更復雜的應用比如自動駕駛，你有一張圖片，可能會顯示更多的CNN卷積神經網絡結構，其中的雷達信息是完全不同的，你可能會有一個更定製的，或者一些更復雜的混合的神經網絡結構。所以為了更具體地說明什麼是標準的CNN和RNN結構，在文獻中你可能見過左圖這樣的圖片，這是一個標準的神經網絡。而右圖是一個卷積神經網絡的例子。
我們會在後面的課程瞭解這幅圖的原理和實現，卷積網絡(CNN)通常用於圖像數據。
你可能也會看到這樣的圖片，而且你將在以後的課程中學習如何實現它。
遞歸神經網絡(RNN)非常適合這種一維序列，數據可能是一個時間組成部分。
你可能也聽說過機器學習對於結構化數據和非結構化數據的應用，結構化數據意味著數據的基本數據庫。例如在房價預測中，你可能有一個數據庫，有專門的幾列數據告訴你臥室的大小和數量，這就是結構化數據。或預測用戶是否會點擊廣告，你可能會得到關於用戶的信息，比如年齡以及關於廣告的一些信息，然後對你的預測分類標註，這就是結構化數據，意思是每個特徵，比如說房屋大小臥室數量，或者是一個用戶的年齡，都有一個很好的定義。
相反非結構化數據是指比如音頻，原始音頻或者你想要識別的圖像或文本中的內容。這裡的特徵可能是圖像中的像素值或文本中的單個單詞。
從歷史經驗上看，處理非結構化數據是很難的，與結構化數據比較，讓計算機理解非結構化數據很難，而人類進化得非常善於理解音頻信號和圖像，文本是一個更近代的發明，但是人們真的很擅長解讀非結構化數據。
神經網絡的興起就是這樣最令人興奮的事情之一，多虧了深度學習和神經網絡，計算機現在能更好地解釋非結構化數據，這是與幾年前相比的結果，這為我們創造了機會。許多新的令人興奮的應用被使用，語音識別、圖像識別、自然語言文字處理，甚至可能比兩三年前的還要多。因為人們天生就有本領去理解非結構化數據，你可能聽說了神經網絡更多在媒體非結構化數據的成功，當神經網絡識別了一隻貓時那真的很酷，我們都知道那意味著什麼。
但結果也表明，神經網絡在許多短期經濟價值的創造，也是基於結構化數據的。比如更好的廣告系統、更好的利潤建議，還有更好的處理大數據的能力。許多公司不得不根據神經網絡做出準確的預測。
因此在這門課中，我們將要討論的許多技術都將適用，不論是對結構化數據還是非結構化數據。為了解釋算法，我們將在使用非結構化數據的示例中多畫一點圖片，但正如你所想的，你自己團隊裡通過運用神經網絡，我希望你能發現，神經網絡算法對於結構化和非結構化數據都有用處。
神經網絡已經改變了監督學習，正創造著巨大的經濟價值，事實證明，基本的神經網絡背後的技術理念大部分都離我們不遙遠，有的是幾十年，那麼為什麼他們現在才剛剛起步，效果那麼好，下一集視頻中我們將討論為什麼最近的神經網絡已經成為你可以使用的強大工具。
閱讀更多 極客Array 的文章
