只是包括平方或则立方项特征，简单的Logistic回归算法，并不是一个在n很大时学习复杂的非线性假设的好方法，因为特征值过多。

尝试模仿大脑的算法。

复兴原因：神经网络计算量较大

将几乎任何传感器接入大脑，大脑的学习算法就能够找出学习数据的方法并处理这些数据。其中的理念：如果我们找出大脑的学习方法，然后再计算机上执行大脑学习算法或者与之相似的算法。

神经元细胞：

计算机中的逻辑单元：

（x_0偏置单元偏置神经元，总为1，一般不表示）

Sigmoid (logistic) activation function 带有sigmoid或者logistic激活函数的人工神经元。激活函数指代非线性函数g(z)。

神经网络：一组神经元连接在一起的集合。

隐藏层输出层，其中隐藏层在训练集中看不到。

计算步骤：

与运算，AND函数：

或运算，OR函数：

非运算，NOT：

输入放在输入层，中间放一个隐藏层：原来计算一些关于输入的略微复杂的功能，在继续增加一层：原来计算一个更加复杂的非线性函数。

实现多类别分类，采用的方法本质上时一对多法的拓展。

建立一个有四个输出单元的神经网络，一个含有4个数的向量，输出为一个思维的向量：