目录
8-1 非线性假设?
1.内容：神经网络的算法（Neural Network），首先讨论神经网络的表示，后续课程中再讨论具体的算法。?
2.为什么研究神经网络呢？因为一些机器学习案例需要复杂的非线性假设。
这个例子好像没理解明白想表示什么
eg1：假如有一个监督学习分类问题，他的训练集如图所示： 假设一个房子有许多特征，想预测房子在未来半年内能被卖出去的概率。这是一个分类问题。对于不同的房子有可能就有上百个特征。对于这类问题，如果要包含所有的二次项，就要将多项式写的很长很长。即使n=100，最终也有5000个特征，二次项的数量以o（n2）的数量增长，-—2/n2左右，因此要包含所有的二次项并不是一个好的方法，最后的结果可能是过拟合的，而且运算量大。即时只考虑
但是忽略了太多的项，不能得到理想的结果。不能拟合出一些特别的假设（椭圆形曲线）? ? 二次项都这么多了！更何况三次。
因此，当初始特征个数n很大的时候，将这些高阶多项式数包括到特征里会使特征空间急剧膨胀，增加特征来建立非线性分类器并不是一个好的做法。
eg2：特征数很大的情况：视觉识别，判断是否为一辆小车。图片都是由像素点组成的，包含成千上万个特征
总结：只包括平方项或者立方项特征简单的逻辑回归算法，并不是在一个n很大时，学习复杂的非线性假设的好办法。因为特征太多容易过拟合，并且计算量大。
next：神经网络，用于学习复杂的非线性假设
8-2 神经元与大脑
?1.内容：神经网络的背景知识，了解可以用他们来做什么。 讲了一些案例~本节可以简单略过
next：深入学习神经网络算法，将神经网络应用到现代的机器学习之中。
8-3模型展示Ⅰ
1.内容：如何表示神经网络，如何表示我们的假设或模型
2.铺垫：人脑中的神经元工作机制：单个神经元：神经元是一个计算单元，从树突中接收一定数目的信息，并作一些计算，然后将结果通过轴突传递到其他节点或者大脑中的其他神经元
图2为一组神经元工作机制，也是人脑思考的过程，神经元将收到的信息进行计算，并向其他神经元传递信息，通过电脉冲的形式。
图三：简单的神经元的模拟：x0偏执神经单元，有时候画有时候不画，取决于加上x0是不是表示起来更方便。
关于神经网络的术语：有时候我们会说这是一个带有sigmoid或者logisticdd激活函数的人工神经元，激活函数是指非线性函数g（z）的另一个术语，参数θ在神经网络的文献中也叫模型的权重（weight）
8-4 模型展示Ⅱ
8-5 例子与直觉理解Ⅰ
8-6 例子与直觉理解Ⅱ
8-7 多元分类?
