2. 第 1 讲：机器学习基本概念简介上_哔哩哔哩_bilibili

机器学习找一个合适的函数：

随着找的函数不同，机器学习就有了不同的类别，下面了解一些专有名词：

Regression：假设找的函数输出是一个数值，这样的机器学习的任务就叫Regression；

预测pm2.5  输入今天的种种指数数值，输出是明天的pm

Classification:准备出各种选项，输出从准备好的选项中选一种，这样的机器学习任务就叫Classification；

 输入：一份邮件；输出：选出事先准备好的yes/no一种；

阿法狗：从19个选项中找出一种可以落子的位置

 机器学习的三个步骤

1.函数

不知道参数

 

 

2.loss

losss也是一个函数，输入是modle中的参数；

 

 

 

 调整w和b，穷举各种w和b，计算loss，画出等高线图，越偏红色系代表计算出的loss越大，蓝色代表loss越小。

 

 3.Optimization优化（最佳化）

找w和b使得loss最小

使用Gradient Descent方法

首先假设位置参数只有w，

当w在不同的数值的时候，就会得到不同的loss。

 

 这条曲线就是只有一个参数的二维的Error Surface，

 怎么样找一个w使得Loss值最小呢？首先选取一个随机初始的点w.。

然后，计算在时候，w对Loss值对其的微分，

 

 

 也就是计算在w0点的切线斜率，如果切线斜率是负的，在w0位置附近代表左边比较高，右边比较低， 我们就可以让w值变大，让Loss值变小。

如果切线斜率是正的，在w0位置附近代表左边比较低，右边比较高， 我们就可以让w值变小，让Loss值变大。

为什么loss可以是负的呢？

loss函数是我们自己定义的，刚才定义loss就是估测的值跟正确的值之间的绝对值，不可能是负的。但是Loss是自己定义的，根据不同的损失函数，有可能出现负值。

图中loss随意定义的形状

 步伐跨多大了如何跨呢，取决于两件事，第一件事：斜率小步伐小，斜率大步伐大；第二件事除了微分斜率外，学习率影响步伐大小，learning rate是自己决定的，如果学习率设置大一点，参数update更新比较快，学习比较快，反之亦然。

机器学习需要自己设定的东西叫hyperparameters， 

机器学习定义有未知参数的

 下一步到,步伐就是,

 

 接下来反复操作w的结果

第三步总结图：

 

w0->w1->…………-> wt->停下来。什么时候会停下来呢？

有两种状况：1失去耐心呢，一开始设定计算微分参数了，设定上限。2.理想状况下是：当计算的微分的值正好是0的时候。

两个参数的优化：

随机初始化

微分

决定更新的方向 如何更新

 

 

 

这会是一个满意的结果吗？不是，知道的答案的结果，这三个步骤是训练：

 

 横轴代表时间，纵轴观看的人次：

红色的真实的线  蓝色的线机器预测

 写一个新的模型，j代表几天前，