个人电脑：https://www.flickr.com/photos/philipcohen/Deep学习的巨大潜力激发了我的想象力。以至于我报名参加了Udacity的深度学习课程。当我深入了解这个话题时，我将记录我的旅程（抱歉，无法抗拒双关语）。现在，这个过程本身进展得相当缓慢，因为我在硅谷最热门的科技公司之一工作——谈谈第一世界问题。那个第一个项目是根据过去的租赁数据，预测一家自行车共享公司在路上需要的自行车数量，以满足需求。数据本身来自UCI机器学习库。自行车共享公司已经在世界各地流行起来，其优点在于，个人的骑行记录下来，从而形成了一个虚拟的传感器网络来感知一个城市的流动性（我没有提出这个敏锐的观察——UCI是这样做的）。这个神经网络（NN）是使用Python中的库构建的，比如Numpy，Pandas和Matplotlib或as中没有使用机器学习或深度学习框架。我将把构建网络本身的细节留到以后的博客上，集中讨论一些有趣的事情观察。观察1： 有大量的数据和大量的数据压倒了17000行数据，这些数据按小时记录了租车情况。有59个特征，如风速、温度和湿度为这些数据带来颜色。大量的数据势不可挡。一次我绘制了数据（感谢Udacity——他们提供了大部分代码，而我只是花时间构建了NN）有一些好消息。好像有一个模式这里。观察2： Jupyter notebook和pythonrocki非常喜欢Python数据库，尤其是Jupyter notebook。如果我能开始掌握这些库，那就太棒了。也就是说，Python文档非常简洁，如果没有食谱或代码，很难看到发生了什么。作为一个Java人，我想知道为什么Java不能这么简单：—）。观察3：神奇之处在于NN的隐藏层，输入层是数据的输入层（它的59列，遍历所有17k行），而输出则是预测结果的来源——简单够了。那个有趣的一点发生在"感知器"或隐藏的每个节点中 每一层输入乘以随机权重-疯狂矩阵数学中的线索，输入到一个sigmoid函数并推送到输出层。sigmoid函数将数值输出转换为预测接近实际的概率数据。观察4： 真正神奇的是反向传播和梯度下降，真正神奇的是神经网络在前向通道上输入数据，将预测结果与实际数据进行比较，并计算出误差。这个错误通过网络被推回到隐藏层，在每个阶段，权重都会被调整，这样预测就开始更接近实际数据了-哇！设置学习速率来调整学习量梯度下降公式调整权重，使权值按名义量调整，算法找到全局最小值或正确值回答。我们对一些"时代"或迭代（成百上千次）执行整个过程。这叫做训练数据。最终，训练好的神经网络会被输入一个单独的数据集，称为测试数据，以查看网络有多好表演。观察5： 预测的乐趣接近15小时的纯任务时间-哇！你可以看到，除了圣诞节和年底以外，我的NN在大多数日子里都很活跃。失败的原因是这个数据集已经使用了两年，而NN只看到了圣诞节的两个数据点。这些数据不足以让它做出可靠的判断预测。其他更重要的是，这是纯粹的喜悦，到了这一点-爱它。忘了矩阵数学的痛苦和事实，我不太记得梯度下降是从哪里来的：-）-这是三周前我写这篇文章的时候，所以我应该休息。你这里可以看到我的Jupyter笔记本的结果，这里是我的神经网络课程。在Twitter和LinkedIn上关注他。