AI_神经网络监督学习

神经网络的神奇之处在哪？

　　所有神经网络创造出来的价值，都是由一种机器学习，称之为监督学习，

　　下面这些例子神经网络效果拔群，通过深度学习获利最多的是在线广告　

　　技术的进步来源于计算机视觉和深度学习

例如：

1. 预测房价：输入房子的一些特性x，就能输出或者预测价格y
2. 在线广告： 给网站输入广告信息，网站会考虑是否给你看这个广告，向用户展现，最有可能用户会点开的广告，这说明了什么？有了一种能力，向用户展现广告用户最有可能点开的能力，钱也随之而来
3. 计算机视觉：通过深度学习，你输入一个图形，然后向输出一个指数，可以是1到1000来表明这张图片，是1000个不同的图像中的某一个，可以用来给照片打标签
4. 语音识别：音频片段输入神经网络，它可以输出文本
5. 机器翻译： 一个神经网络可以实现，输入英文句子，它直接输出一个中文句子
6. 无人驾驶： 输入一副图像，汽车前放的一个快照，还有一些雷达信息，基于这些数据训练神经网络，能告诉你其他汽车的位置，这个才是无人驾驶的核心部件

　　　　

　　这些例子中，需要机智的选择x y 数据样本，才能解决特定的问题，然后把这个监督学习组件，嵌入到更大型的系统中，比如无人驾驶

　　不同的神经网络，应用到不同的地方，都是有效的

有哪些神经网络？

　　1.  广告推荐和房价预测，相对标准神经网络架构 SNN

　　2. 图像领域，卷积神经网络 CNN

　　3. 音频，含有时间成分，音频随着时间播放的，被称为一维时间序列数据，对于序列数据，常用RNN（循环神经网络）

　　4. 语言 英语 和 汉语 字母或单词， 都是逐个出现，所以，语言最自然的表现方式也是序列数据

　　5. 无人驾驶，需要更复杂的 RNNS

　　

机器学习，应用于结构化数据和非结构化数据，那他们有什么区别？

　　

　　结构化数据： 传统数据库和nosql数据库中数据

　　非结构化数据： 音频、原始音频、图像，想要识别图形中文本内容，通过一些特征，可能是图像中的像素值，或者文本中的单个单词

　　　　从人类历史中来观察，非结构化数据比结构化数据，计算机识别起来更难，人类进化到此，很擅长理解音频信号和图像，文本是一个更近代的发明

　　　　通过深度学习，神经网络，计算机也能更好的解释非结构化数据

　　　　语音识别、图像识别、自然文字处理，神经网络在非结构化数据上的成功，尤其是媒体，短期收益来源于结构化数据

　　　　神经网络改变了深度学习，也在创造着更多的经济价值