是時(shí)候，該……

總結(jié)一下了

上面是前13個(gè)筆記的一個(gè)示意圖，簡(jiǎn)單了點(diǎn)，但是內(nèi)容架構(gòu)應(yīng)該是有的，先容我再道一道，梳理下：

首先整體的第一周的課程是神經(jīng)“網(wǎng)路”，對(duì)，通向神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)的網(wǎng)絡(luò)，其中講解了內(nèi)容模塊包括：

二分分類

二分類問題簡(jiǎn)單來說就是1和0的問題，也就是著名的cat 和 noncat問題，這個(gè)處理是靠圖片輸入，然后計(jì)算機(jī)整合處理矩陣輸入，使用網(wǎng)絡(luò)初等感知機(jī)進(jìn)行輸出，這是一個(gè)典型的判別網(wǎng)絡(luò)模型

邏輯回歸

邏輯回歸問題，如果說二分類問題是分類問題的話，那么這個(gè)可以簡(jiǎn)單地理解成為回歸問題，對(duì)的，網(wǎng)絡(luò)模型中基本上使用的最多的也就是分類問題（人臉識(shí)別，手寫體識(shí)別，貓識(shí)別）和回歸問題（房?jī)r(jià)預(yù)估），在這里你要了解到的是邏輯回歸使用了最大似然估計(jì)，定義邏輯回歸函數(shù)和成本函數(shù)后，利用梯度下降進(jìn)行損失最小化

梯度下降

梯度下降這一部分就是講解了梯度為何下降的，要清楚理解其中的權(quán)重更新，學(xué)習(xí)率，還有前后向的求導(dǎo)方法，可是梯度下降并不僅僅是這個(gè)一個(gè)簡(jiǎn)單的流程就能解決各種各樣復(fù)雜的問題，還有很多前輩們優(yōu)化的方法，比如權(quán)重衰減，學(xué)習(xí)率衰減等，這個(gè)在后面會(huì)講到。

向量化

量化，這一部分其實(shí)是在教我們?nèi)绾卧谟布幕A(chǔ)上更好的加快訓(xùn)練速度和思維空間邏輯思考，它可以讓我們一次訓(xùn)練多樣本，更簡(jiǎn)單和更高效的完成訓(xùn)練目標(biāo)。但是python的numpy這一個(gè)模塊還是有必要去好好看下的，這也算是一個(gè)建議了，希望下去好好努力下。

總結(jié)的稍微簡(jiǎn)單了點(diǎn)，框架是有了的，希望在AI的路上有你我相伴，加油！