第四周的课程开始介绍 Neural Networks - 神经网络 的概念，包括它的结构和 表示方法。

Neural Networks: Representation - 神经网络：表述

Non-linear hypotheses - 非线性假设

我们之前所讲到的，线性回归和逻辑回归，它们在进行 非线性预测和分类 时，在 特征比较少 的情况下，用 特征多项式 来训练会有不错的表现（如下式，两个特征）。

$\theta_{0} + \theta_{1}x_{1}^{2} + \theta_{2}x_{1}x_{2} + \theta_{3}x_{2}^{2}$

但是一旦特征变多，比如几十甚至上百个时，利用特征多项式训练，所组合出来的新特征将会是一个非常庞大的数字（如下式，100个特征，仅两两组合）。这无疑是行不通的。

$\theta_{0} + \theta_{1}x_{1}^{2} + \theta_{2}x_{2}^{2} + \theta_{3}x_{3}^{2} + \cdots + \theta_{100}x_{100}^{2} + \theta_{101}x_{1}x_{2} + \theta_{102}x_{1}x_{3} + \cdots + \theta_{10000}x_{99}x_{100}$

所以，我们需要一种新的模型，就是 神经网络。

Neurons and the brain - 神经元和大脑

这部分是介绍神经网络的一些背景，若不感兴趣可点此跳至下一节

首先神经网络是模仿大脑结构来建立的。我们大脑可以学习很多事情，小到一个行为，一个动作，大到一门学科，一门语言，如果我们想让计算机来处理不同的学习任务，似乎我们需要针对性的编写不同的程序来实现。可是人脑在学习的时候真的用了这么多不同的“算法”么？我们能不能假设其实大脑只有一种学习算法，但却可以处理很多的事情？下面我们来看一下关于这个假设的一些证据。

科学家将小白鼠的耳朵到 听觉皮层 的 听觉神经 剪断，然后将 视觉神经 接到 听觉皮层 上，结果，听觉皮层 学会了看。
美国食品和药物管理局在临床实验一个名为brainport的系统，能帮助失明人士看见东西。它是这样工作的：在失明人士头上带一个灰度摄像头，获取面前场景的低分辨率灰度图像，然后将信号连接到舌头上的一个很薄的 电极阵列 上，这样 每个像素点都能映射到舌头的某个位置，这种系统能让人在几十分钟内用舌头学会 看东西。