神經網絡是一套特定的算法，是機器學習中的一類模型，神經網絡本身就是一般泛函數的逼近，它能夠理解大腦是如何工作，能夠了解受神經元和自適應連接啟發的并行計算風格，通過使用受大腦啟發的新穎學習算法來解決實際問題等。

為什么我們需要機器學習？

機器學習可以解決人類不能直接用編程來應對的復雜難題，因此，我們喂給機器學習算法大量的數據，以期得到想要的答案。

我們來看看這兩個例子：

編寫解決問題的程序是非常困難的，比如在雜亂的場景中，在新的照明條件下從新的角度來識別三維物體。我們不知道要如何通過代碼來解決這個問題，因為這個識別過程在大腦中完成情況對我們來說還是未解之謎。 即使我們知道該怎么做，要編寫的程序可能會非常復雜。

再比如，編寫一個程序來預測信用卡交易欺詐發生的概率也是很難的，這可能也不存在任何簡單而可靠的規則。因為欺詐是一個動態的目標，但程序需要不斷變化。我們需要做的是結合大量的弱項規則來進行欺詐預測。

再者是機器學習方法。我們并不需要為每個特定的任務手動編寫程序，而是收集大量的例子，為給定的輸入指定正確的輸出。然后，機器學習算法拿這些例子，并產生一個程序來完成這項工作。

學習算法產生的程序可能與典型的手寫程序看起來非常不同。它可能包含數百萬的數字。如果方法得當，該計劃將適用于新案例以及我們訓練的案例。如果數據改變，程序也可以通過對新數據進行訓練來改變。你應該注意到，現在大量的計算比支付某人編寫任務特定的程序來的更廉價。

鑒于此，機器學習能夠很好地解決一些任務，包括：

模式識別：真實場景中的對象，面部識別或面部表情，口語等；

異常情況識別：信用卡交易的異常順序，核電廠傳感器讀數的異常模式等；

預測：未來的股票價格或貨幣匯率，一個人會喜歡的電影等。

什么是神經網絡？

神經網絡是一般機器學習中的一類模型，它是一套特定的算法，受到生物神經網絡的啟發，徹底改變了機器學習的領域。目前所謂的深度神經網絡的出現就已經證明它能夠工作得非常好。

神經網絡本身就是一般泛函數的逼近，這就是為什么它們幾乎可以應用于任何機器學習問題，因為所有的機器學習都是學習從輸入到輸出空間的復雜映射。

以下是說服你學習神經計算的三個理由：

能夠理解大腦是如何工作的：這是非常大且復雜的問題，并且是個令人絞盡腦汁去思考的問題，因此我們需要使用計算機來模擬。

能夠了解受神經元和自適應連接啟發的并行計算風格：這是一種與順序計算非常不同的風格。

通過使用受大腦啟發的新穎學習算法來解決實際問題：即使這不是大腦實際工作的方式，但這樣的學習算法也是非常有用的。

在這篇文章中，我想分享八種神經網絡架構，這是每一位從事機器學習的研究人員都應該熟悉的。