深度学习第一课：深度学习引言
1.什么是神经网络
Relu函数（线性修正函数）
对于一个房屋价格预测的神经网络如下：
如图所示给定输入变量$x_1,x_2,x_3,x_4$就可以得到对应的输出$y(price)$。
神经网络的优势在于：实现神经网络之后，是要输入$x$就能得到对应的输出$y$,它可以自动计算中间过程，只要训练样本足够，神经网络可以得到关于$x-y$的精准的映射函数。
2.神经网络的监督学习
监督学习是很多神经网络的基础，举例如下：
图像应用：在神经网络上使用卷积网络(Convolutional Neutal Network),缩写为CNN。
序列数据：比如音频应用，一维时间序列，使用RNN,递归神经网络。对于语言类的，也是序列数据，经常用更复杂的RNNs版本。
对于自动驾驶等更复杂的应用，通常需要更多的CNN卷积神经网络，
神经网络例：
神经网络被应用于结构化数据和非结构化数据，
结构化数据：数据有清晰的定义以及基本的数据库
非结构化数据：比如音频，原始音频，要识别图像或文本的内容，特征可能是图像中的像素值或文本中的单个单词。
计算机通常比较善于理解结构化数据，通常处理非结构化数据比较困难，对于人类通常较容易。神经网络的出现给了计算机能够更好的解释非结构化数据。
神经网络获得更好的性能：1.训练一个更大的神经网络，2.投入更多的数据
