吴恩达《深度学习专项》回顾第一阶段内容并展望第二阶段

经历了前期四周的系统学习后，《深度学习专项》的第一门课程《神经网络与深度学习》已全部掌握。针对这四周所学的知识内容进行深入梳理并及时补充相关知识缺口。

《神经网络与深度学习》知识回顾

概览

在有监督的统计机器学习框架下，我们获得了一个具有代表性的 训练集数据集 。每个来自该集合的特定实例都包含明确指定的输入特征与对应的输出结果。我们的目标是开发出一种数学框架，在经过对训练数据的学习与总结之后，能够建立从输入变量到输出变量的精确映射关系。

在深度学习 中，使用的数学模型是深度神经网络 。

神经网络一般可以由如下的计算图 表示：

其中，在深度学习架构中每一个圆形的计算模块（也被称为神经元）通常表示为g(WX+b)这一组运算过程。其中,W, b分别代表权重参数和偏置参数,g则代表激活函数的具体实现方式。

为了使神经网络学习到输入与正确输出之间的映射关系，在神经网络中我们需构建一个能够衡量网络输出与目标间差异的目标函数（即每个样本对应输出与其真实标签之间误差度量值的整体均值），并对其进行优化以减小该目标值。这一过