我們來看一些例子， 在監督學習中輸入x，習得一個函式對映到輸出y，比如我們之前看到的應用於房價預測的例子，輸入房屋的一些特徵，就能輸出或者預測價格y。

         下面是一些其他的例子，這些例子中，神經網路撥群，很可能今天通過深度學習獲利最大的就是線上廣告，這也許不是最鼓舞人心的，但真的很賺錢，給網站輸入廣告資訊，網站會考慮是否你看這個廣告，有時還需要輸入一些使用者資訊，神經網路在預測你是否會點選這個廣告方面已經表現的很好，通過向你展示，向用戶展示最有可能點開的廣告，這就是神經網路在很多家公司賺取無法想象的

        你可能見過這樣的圖片，這是一個卷積神經網路，在後續的課程，我們會去了解這幅圖的含義和如何實現它，卷積網路通常用於影象資料：

你可能也會看到這樣的圖片，後續的課程也會去實現它，迴圈神經網路非常適合處理一維序列資料，其中包含時間成分：

        你可能也聽說過機器學習被應用於結構化資料和非結構化資料，下面是這些術語的含義，結構化資料 是資料的資料庫，例如 在房價預測中，你可能有一個數據庫或者資料列，告訴你房間的大小和臥室數量，這就是結構化資料，在預測使用者是否會點選廣告的例子中，你可能會有使用者資訊，比如年齡 還有廣告資訊，還有你要預測的標籤y，這就是結構化資料，意味著每個特徵，比如說房屋大小，臥房數量，使用者的年齡 都有著清晰的定義；

         相反 非結構化資料指的是比如音訊 原始音訊，影象，你想要識別影象或文字中的內容，這裡的特徵可能是影象中的畫素值，或者是文字中的單個單詞，從歷史角度看，非結構化資料與結構化資料相比讓計算機理解起來更難，但人類進化到現在，很擅長理解音訊訊號和影象，文字是一個更近代的發明，但人們真的很擅長解讀非結構化資料，神經網路的興起過程中最令人興奮的事情之一就是多虧了深度學習，多虧了神經網路，計算機現在能更好地解釋非結構化資料，和幾年前對比的話，這給我們創造了很多令人興奮的應用機會，語音識別，影象識別，自然語言文書處理，現在能做的事情比兩三年前要豐富多了，我認為因為人們生來就有能力理解非結構化資料，你可能知道 神經網路在非結構化資料上的成功，尤其是媒體，當神經網路識別了一隻貓時，那真的很酷，我們都知道 那意味著什麼，神經網路在很多短期經濟價值的創造是基於結構化資料的，比如更好的廣告系統，更好的獲利建議，有更好的能力去處理很多公司擁有的海量資料庫，並用這些資料準確預測未來趨勢，在這門課中，我們會學到很多技巧，可以應用到結構化資料，也可以應用到非結構化資料，為了更清楚地解釋演算法原理，我們會多用非結構化資料的例子，但當你自己的團隊評估了各種神經網路的應用之後，希望你的演算法能夠同時學習結構化和非結構化資料，神經網路徹底改變了監督學習，整創造著巨大的經濟價值，其實呢 基本的神經網路背後的技術理念，大部分都不是新概念，有些甚至有了幾十年歷史了，那麼為什麼它們現在才流行，才行之有效呢？
下一級視訊中 我們將討論為什麼是最近神經網路才成為你可以使用的強大工具。

本節小結：

1 本節課主要講述了神經網路的三種結構：

      1.標準的神經網路 

      2.卷積神經網路 

      3. 迴圈神經網路

2 講述了三種神經網路的應用場景：

       1. 標準的神經網路主要應用於結構化資料（資料庫的資料）

       2.卷積神經網路 主要應用於影象類的應用，比如識別一個圖片上是否有一隻貓（非結構化資料）

       3. 迴圈神經網路主要應用於序列資料(非結構化資料),比如 文字識別，音訊檔案識別等等

3 監督學習的資料分為：結構化資料和非結構化資料

       1.  結構化資料是指我們通常用到的資料庫儲存的資料

       2.非結構化資料主要包括序列資料（音訊是以時間為資料序列的資料格式），影象（矩陣儲存畫素的資料格式）