一、以“机票价格预测服务”为例，在该过程中，我们会用到监督学习方法来训练它。
我们希望，飞机票价格估算器可以利用以下几个输入值来预测飞机票价格（为防止太过复杂，这里不包括返程票）：
出发机场
目的地机场
出发日期
航线
1、 神经网络（Neural networks）
和动物一样，我们的估算器AI大脑也有神经元。在下图中，这些神经元由一个一个圆圈表示，并且彼此间之间存在着联系。
神经元被分为三个不同类型的层：
A. 输入层（Input Layer）
B. 隐藏层（Hidden Layer）
C. 输出层（Output Layer）
隐藏层对输入数据执行数学计算过程。决定隐藏层的数量，以及每一层的神经元数量，是神经网络创建时的一个挑战。
深度学习中的“深度”指的是隐藏层不止一个。
输出层返回输出数据。在本例中，输出层返回价格估算值。
那么，它是如何计算价格估算值的呢？
神经元之间的每一个连接都有一定的权重。权重值表明了输入值的重要性。一开始，权重一般都是随机设置的。
在预测飞机票价格时，出发日期是比较重要的一个因素。因此，出发日期神经元连接拥有较高的权重。
每一个神经元都有一个激活功能（Activation Function）。简单的说，激活功能的目的之一是将神经元的输出值“标准化”。一旦输入数据通过神经网络的各个层时，它就会通过输出层返回输出数据。
2、训练神经网络
为什么训练AI是深度学习中最困难的部分呢？原因在于：
A. 你需要一个很大的数据集
B. 你需要强大的计算能力
在机票价格预测中，我们需要搜集机票价格的历史数据。由于机场和出发日期组合存在多种可能性，我们需要大量的机票价格列表。
为了训练AI，我们需要从数据集里提炼输入值，并将该输入值带来的输出值与数据集里的输出值进行比较。此时因为AI还没有被训练，所以它的输出值应该是错误的。
一旦走完所有数据集，我们就可以创建一个函数，通过这个函数，我们可以知道AI的输出值与真实的输出值的差异有多大。这个函数被成为“成本函数”（Cost Function）.
理想情况下，我们希望成本函数为0，这通常发生在AI输出值与数据集输出值相同的情况下。
如何缩小成本函数？
我们可以随机去改变神经元之间的权重，直到成本函数降低，但这么做，效率着实不高。
因此，我们可以利用梯度下降法（Gradient Descent）来实现这一目标。
通过梯度下降法，我们可以找到函数的最小值。在这个例子种，我们寻求的是成本函数的最小值。
那么如何实现呢？
我们可以在每次数据集迭代以后，改变小增量中的权重。通过计算成本含函数在某个特定权重中的导数（或梯度），我们能够找到最小值。
为了减小成本函数，你需要多次重复数据集。这也就是为什么你需要大量的计算能力的原因了。
利用梯度下降法升级权重是可以自动完成的，这就是深度学习的魔力所在。
一旦我们训练出机票价格预测器AI，我们就可以利用它来预测未来的机票价格。
