引例

这门课的名字叫深度学习，为什么我们要先介绍神经网络呢？那是因为，深度学习指的就是训练神经网络的过程。这个粗浅的定义句里，包含了三个咱们陌生的词语，我们用下面的例子来解释一下。

问题

给定一个包含了六栋房子信息的数据集，取其中的房屋面积和房价，求房价关于房屋面积的函数，用来根据房屋面积预测房价。

*数据集

数据集是一个数据的集合，通常以表格的形式出现，其中每一列代表一个类型的变量，每一行代表样本空间中的一个成员：

题解

建立一个平面直角坐标系，x轴表示房屋面积，y轴表示房价，将数据集作为一个一个点标在坐标系上：

根据这些离散的点，我们可以拟合出一条经过原点的曲线（在数据集中的地方类似直线），由此得到的函数就可以帮我们预测不同面积房子的价格了。

抽象

在深度学习领域，这样的一个函数就是最简单的神经网络。

在数学中，我们输入x，经过预测函数，最终输出y；

而在深度学习中，我们输入表示房屋面积的数据，通过一个神经元，最终输出表示房价的数据;

一般来说，神经网络是由神经元组成的，因此这样单独的一个神经元被视为最简单的神经网络。

当然，现实生活中，影响房价的因素远远不止房屋面积，用这样一个简单的神经元不足以精准地预测房价，这就需要构建更多的神经元，它们像搭积木一样叠加起来，就成为了一个更大的神经网络。

复杂化问题

给定一个数据集，其中不仅有房屋面积和房价，还有更多的表示可影响房价因素的数据：家庭人口、临近学校质量和家庭资产。根据这些数据，求得预测房价的函数。

建模

四种类型的数据作为输入，这些数据称为特征值，而房价作为输出，输入和输出中间的部分就是我们要建立的神经网络（见下图），中间层的三个圆圈是我们想要得到的、更加能说明房价的因素的数据，而后的椭圆则是直接影响房价的唯一因素。

这样就完成了一个大型的、较为复杂的神经网络的构建，其中的每一个圆圈或椭圆就是一个函数，也可以说是一个神经元，它们的叠加作用就可以帮我们计算出房价。

如果给予神经网络足够多的x和y数据，它会计算出十分精确的房价预测函数。这样输入大量数据、根据数据微调函数的过程，就称为学习，而学习就会使得神经元层次数越来越大，也可以说是越来越深，于是这样的过程就叫做深度学习。我们将数据喂给神经网络、神经网络吃下数据这些动作，就是训练。

为什么我们要将这样一个系统称为神经网络呢？这是因为，构建这样一个系统，就是模拟人类的神经网络，就如同电模拟人的大脑，人工智能是模拟人类的智能。