“深层神经网络”，大概可以理解为我们所谓的“深度学习”(Deep Learning)，而深层神经网络，下面又分为很多网络结构，如DNN、CNN、RNN

　　但这里要注意区分的是，深浅的区别不仅仅是“网络层数”的区别，更重要的是，“深度学习”(深层神经网络)较其他所有机器学习最厉害的一点：

　　他可以进行数据的特征提取“预处理”(省去了数据人工标注的da麻烦，同时可以对更多维和复杂的特征进行向量的提取和空间向量的转换，方便后续处理)，而这也是他为什么要很多层的原因，因为其中多出来的网络层数，都是要用来进行数据特征提取预处理的

　　相信到一步，结合上面的脑图，我们就能分清“机器学习”与“深度学习”的真正区别了，不是简单的包含关系。

　　4.回归

　　个人觉得回归作为了解机器学习过程，是一个很好的入门了解。

　　所谓“回归”，看起来很深奥，其实并不是这样。我举个栗子：

　　y=2x这个一元函数，假设我们现在不知道他的斜率w=2，而我给你5数据y=2,4,6,8,10,对应的x分别为1,2,3,4,5。你是不是会自动假设，那他们之间是2倍的对应关系?没错!你“自动假设他们有某种对应关系”的这个过程，就叫“回归”;而你假设他们的关系是“2倍”，这就是“线性回归”了。

　　所以回归的定义(个人理解)：我们看到大量事实或数据中，假设他们之间存在着某种对应关系。而机器学习中的回归(监督学习)要做的就是：尝试去让计算机找到大量数据之间这样的对应关系，那怎么找呢?

　　我们先假设一个关系吧：y=wx+b ,其中 w为权值、b为偏置，w为1Xn矩阵向量，x为nX1的矩阵向量(这几个概念就不做数学解释了，而为什么x不是实数而是矩阵，那是因为我们在现实世界的数据中，可能有N多个维度….而不仅仅是一维就可以描述这个数据特征的)

　　现在我要评判一个橘子的“好坏程度”，y代表“好坏程度”，而且都是打过标签的。x为一个三维矩阵向量分别代表【大小、颜色、形状】。那么代入公式：

　　y=w1X大小+w2X颜色+w3X形状+b (这里先假设b为0吧)

　　那么现在的任务就是分别找到合适的w1,w2,w3的值来准确描述橘子的“好坏程度”与“大小、颜色、形状”的关系。那么怎样确定是否合适呢?

　　通过“损失函数”Loss来定义(这里数学公式就不列了)，Loss的含义就是把样本中所有x都代入“假设公式”wx+b中(这时候w与b的值几乎肯定是不准确的)，然后得到值与真实的y值做比较的差值，就是损失函数Loss。那么Loss越小，说明这时候的w与b的值越接近真实的“线性关系”。所以我们最终机器学习的目的，就是求解出让Loss越小(当然无限接近于0最好)的对应的w与b的值，求出来之后，也就是机器学习模型“训练结束”!之后就是用验证集去验证是否会过拟合，来检验模型的泛化能力

　　当然这里要做几点说明了：

　　(1)这只是最为最为简单的一个机器学习栗子说明，着重了解一下机器学习中回归的基本思想

　　(2)这里我们并没有说怎么去寻找让Loss最小(或符合条件)的对应w与b的映射关系，后面我在分享“BP前馈神经网络的梯度下降时”会简单介绍这个求解基本思想过程

　　(3)如果你分析的数据本身是非线性关系，而你假设他们是线性关系并用对应的模型去训练，那么结果一定是“欠拟合”的(所以对于欠拟合的一另一个表达：你的想法不符合这个世界的现实…)

　　上面的关于机器学习的一些基本概念的分享，后续持续更新，希望能和大家一起走在AI的路上!