Neural Networks
01.Model Representation1
- 用一个神经网络（Dendrite 树突，axon轴突）来表示一个假设函数。
树突是输入，表示输入特性x1、x2.。。神经元表示计算单元，轴突表示假设函数的输出结果。
- 表示形式：
左边是输入层，中间是隐藏层，假设函数是输出层，并且将隐藏层的a02⋯an2成为激活单元（activation units）。
其中，
第j层，激活单元i
控制从第j层到第j+1层的映射参数
-
其中计算公式如下：
激活节点由3*4的参数矩阵计算所得，每一行的参数和一次输入结合以获得一个激活结点的值。假设函数又由另一个参数矩阵与激活结点相乘而得到。两层之间都有一个参数权重矩阵 Θ(j)。
- 权重矩阵的定义：
假设输入层有3（Sj）个单元，隐藏层有3(S(j+1))个单元，则权重矩阵为S（j+1）*(Sj+1)维。其中多出来的一维来自，x0和theta0,被称为偏见结点（bias nodes.）
02.Model Representation II
- 用向量化的形式表示：
Application
01.and
-
用一个简单的例子来表示逻辑&&，比如让参数矩阵取值这样：
输出函数如下：
S函数
02.应用
-
把上述与或非结合到一起，在第一层和第二层之间采用与非
在第二层和第三层之前采用或
最后结合起来最终效果：
03.多类别分类（Multi-class classification）
-
为了将我们的分类数据识别成多种不同的分类，我们使我们的假设函数返回一个值向量的形式。比如要使识别结果是以下四种表示结果。
结果集的表示形式：
