神经网络有很多的种类，考虑到它们的使用效果，有些使用起来恰到好处，但事实表明，到目前几乎所有由神经网络创造的经济价值，本质上都离不开一种叫做监督学习的机器学习类别，让我们举例看看
在监督学习中你有一些输入$x$，你想学习到一个函数来映射到一些输出$y$，比如我们之前提到的房价预测的例子，你只要输入有关房屋的一些特征，试着去输出或者估计价格$y$。还有一些其他例子，见下表
如今应用深度学习获利最多的一个领域，就是在线广告。这也许不是最鼓舞人心的，但真的很赚钱。具体就是通过在网站上输入一个广告的相关信息，同时输入用户的信息，于是网站就会考虑是否向你展示广告
神经网络已经非常擅长预测你是否会点开这个广告，通过向用户展示最有可能点开的广告，这就是神经网络在很多家公司难以置信地提高获利的一种应用。因为有了这种向你展示你最有可能点击的广告的能力，而这一点击的行为的改变会直接影响到一些大型的在线广告公司的收入
计算机视觉在过去的几年里也取得了长足的进步，这也多亏了深度学习。你可以输入一个图像，然后它会输出一个范围从1到1000索引，来试着告诉你这张照片是什么，比方说，1000个不同的图像中的任何一个，所以你可能会选择用它来给照片打标签
对于图像应用，我们经常使用卷积神经网络（$Convolutional Neural Network$），通常缩写为$CNN$
对于序列数据，例如音频等一维时间序列（$one-dimensional time series / temporal sequence$）经常使用递归神经网络（$Recurrent Neural Network$）$RNN$
语言这种序列数据常常使用更复杂的$RNNs$
在文献中你可能见过这样的图片，这是一个标准的神经网络
你也可能见过这样的图片，这是一个卷积神经网络的例子
以及递归神经网络
