#科研筑基# 吴恩达深度学习 课程笔记 1.3 用神经网络进行监督学习
概念辨析
这节课我们又引入了一个名为“监督学习”的新概念，加上课程名称“深度学习”和我们常常听到的“机器学习”，难免会让初学者感到头疼，咋这么多“学习”啊！
所以，这里先用一些篇幅来简要地说明一下，这些听起来差不多的概念的联系和区别。
从宏观上来看，我们提到的所有概念都属于人工智能范畴，人工智能是计算机科学的一大领域，机器学习是人工智能的子集，而深度学习则是机器学习的子集。
机器学习，就是让机器取分析数据找规律，并通过找到的规律对新的数据进行处理，这样找规律和按照规律处理数据的过程是通过算法实现的，因此机器学习主要是设计和分析一些让计算机可以“自动学习”的算法。
机器学习按学习形式划分，分为监督学习、半监督学习、无监督学习和强化学习这四种训练方法。
深度学习作为机器学习的一个较大的子集，其按学习形式划分后也同上。
监督学习是一种有目的的训练方式，需要先选择一个适合目标任务的数学模型，把一部分已知的数据集喂给机器去学习，从而总结出机器自己的方法论，之后我们再把新的问题（测试集）输入机器，让它去解答。
无监督学习相比于监督学习，它没有明确的目的，作为一种统计手段，它处理的数据不需要打上标签，它的作用是，在没有标签的数据里发现潜在的一些结构。
用神经网络进行监督学习
在如今，神经网络通过监督学习所创造的经济价值是最可观的。
深度学习和神经网络用于广告推送、图像识别、语音识别、自动驾驶等等领域已经创造了巨量的价值。
对于图像应用，我们通常使用卷积神经网络（CNN），而对于文本则使用递归神经网络（RNN）。
机器学习可以应用在结构化数据和非结构化数据中，结构化数据意味着数据之间的关联性很大，而非结构化数据则表明这些数据之间是离散的，其关联性较小，这样非结构化的数据包括音频、模糊图像或文本的内容，人脑是可以很高效地处理这些数据的，但是普通的机器却不行，所以使用神经网络来训练机器，使其可以更好地理解这种数据，可以极大地解放人类的生产力。。