1.深度学习概念
概念理解：
神经元：输入x经过函数关系处理后得到y称之为一个独立的神经元（一块乐高积木）。
神经网络(Standard NN)：多个神经元组成的网络体系称之为神经网络，理解为多块乐高积木拼接到一起形成的成品就是我们神经网络所需要结果。
隐藏单元：一个神经网络中我们输入若干个x即称为特征 ，多个特征相互影响组成的"部分神经网络"的半成品，即上图中的中间节点。
神经网络的功能：只要提供足够多的特征(x)和结构(y)的数据即训练样本，神经网络善于计算从x->y的精准映射函数。
神经网络的实用案例
1.图像领域：卷积神经网络(CNN:Convolutional NN)
2.序列数据：例如音频、语言,循环神经网络（RNN:Recurrent NN）/（RNNS）
小知识：
ReLU函数(修正线性单元)：全称为Rectified Linear Unit，是一种在人工神经网络中广泛使用的激活函数。通常指代以斜坡函数及其变种为代表的非线性函数。
结构化数据与非结构化数据概念区分
1.结构化数据：数据的数据库或数据列，意味着数据的每个特征值都有清晰的定义。
2.非结构化特征：音频，图像，文本内容。意味着每个特征值可能是像素值或单个单词。
2.深度学习的兴起
随着信息化时代的来临，海量数据的产生，以及算力的提升，信息多元化与复杂化至使超出了传统的学习算法所有效运用的极限，算法上也有所创新，神经网络应运而生，多个神经元组成大小结构不一的神经网络，随着x特征越多其组成的y的集合越多其神经网络的性能越好。
神经网络的性能提升两个方法：（量变引起质变）
1.需要训练一个足够大的网络。(训练需要大量时间)
2.需要提供足够多的大量数据。（需要大量数据）
本章是笔者准备学习深度学习时觉得重要的知识点，也可以理解为对神经网络的基本了解，后续会进一步更新。