大数据分析基础及应用案例：第七周学习报告——神经网络基础

在大数据分析的学习旅程中，第六周我们正式踏入了神经网络的奇妙领域。这一周的学习不仅让我们理解了神经网络的基本结构，更通过 TensorFlow 和 Keras 工具，亲手实现了用神经网络解决分类问题的过程。下面就来详细梳理这周的学习收获。
一、神经网络基本结构：从 “仿生” 到 “计算” 的逻辑
神经网络的灵感源于人类大脑的神经元网络，其核心结构由以下部分组成：
输入层：负责接收原始数据，例如图像的像素值、文本的特征向量等。
隐藏层：是神经网络的 “核心计算层”，由若干个神经元组成，通过权重（Weight） 和偏置（Bias） 对输入数据进行线性变换，再通过激活函数（Activation Function） 引入非线性特性（比如 ReLU、Sigmoid、Tanh 等），让网络具备拟合复杂关系的能力。
输出层：根据任务类型输出结果。如果是二分类任务，通常用 Sigmoid 激活函数输出 0-1 之间的概率；如果是多分类任务，常用 Softmax 激活函数输出各类别的概率分布。
二、TensorFlow 与 Keras：神经网络的 “高效脚手架”
TensorFlow 是谷歌开发的开源深度学习框架，而 Keras 则是基于 TensorFlow（也支持其他后端）的高层 API，它让神经网络的构建变得异常简洁。

1. 环境搭建与基本概念
   首先需要确保安装好 TensorFlow 和 Keras（一般安装 TensorFlow 时会自动包含 Keras），可以通过pip install tensorflow完成安装。
   在 Keras 中，构建神经网络的核心是Sequential模型（序贯模型），它像搭积木一样逐层堆叠网络层
2. 模型编译与训练
   构建好模型后，需要通过compile配置训练的 “规则”，包括优化器（如 Adam）、损失函数（如分类任务用categorical_crossentropy）和评估指标（如准确率accuracy）
   随后通过fit方法训练模型，传入训练数据、标签、批次大小（batch_size）和训练轮数（epochs）
3. 模型评估与预测
   训练完成后，用测试数据评估模型性能
   若要对新数据做预测，可使用predict方法
   三、学习总结与延伸思考
   第七周的学习让我对神经网络从 “雾里看花” 到 “亲手实践”。从结构原理到 TensorFlow/Keras 的工具运用，再到实际分类任务的落地，每一步都充满收获。
   当然，这只是神经网络的入门。后续还可以探索卷积神经网络（CNN） 处理图像、循环神经网络（RNN） 处理序列数据等更复杂的网络结构，也可以尝试调整网络的超参数（如神经元数量、层数、学习率等）来优化模型性能。