啥是机器学习？
举个例子：有个盒子，不知道里面有什么，我随机放个数字2进去，输出一个数字4，我又放进去一个3，输出6，于是我猜盒子里有一个函数，会把我输入的数字变成2倍，然后我写一个程序，来替代它，最后用计算机取代我思考这个行为，这个过程就叫机器学习。
简单说来就是给一堆x，y，求y关于x的一个函数，是不是一下就明白了
然后扩大一下，这个y可以不局限于数值，比如x是一张人脸照片，y是这个人的表情，就是一种更加广义的机器学习
这里就可以给出两个东西：求数值叫做回归，求其他结果叫做分类
基础定义
有了前面的基础概念，后面就好说了
我求的这个函数叫做模型
然后我简单做个假设y = w * x + b
x叫做特征，w叫做权重，b叫做偏置
简单吧
然后提个场景，以开头2倍的例子来说，我说y=2x，小明说y=x+2，输入2结果都为4，我俩都觉得自己对，于是吵个不停，这时候有个男人叫小帅说了，他说我的对，因为输入3我的是6，小明是5，我的比小明准——这个就叫评估条件，无论是我的4，6，还是小明的4，5，都是基于自己函数的估计值
然后说一下常见估计方法：
1. 直接做差
这种方法很直观，但是有正有负，因为估计的值可能大于实际值，可能小于实际值，谁也不知道我估计的啥样
2.绝对值
完美解决上面的问题，但是看不出来我是大了还是小了
3.平方
和绝对值差不多，但是可能会因为平方放大或缩小误差值（有利有弊）
最后，求出每一组xy的这个差就行（这玩意叫做损失），然后除以你数据组的数量，做个平均值，绝对值的叫做平均绝对误差（MAE），平方的叫均方误差（MSE）
（直接偷的书里的图）L就是你算的那个误差，不同的wb取值会有不同的误差，颜色越偏蓝误差越小，同一个颜色就是不同取值但是误差一样
如何优化？——梯度下降算法
最后要找最好的权重和偏置？怎么找呢，有个方法叫梯度下降算法
咋做呢，我来说一说
先说大体框架：
1.首先随便给一个w0和b0，权重和偏置随便给个数，有个初始值
2.让b=b0不变，这样L的计算只受权重影响了，然后找这个时候最好的w1
3.让w=w0不变，这样L的计算只受权重影响了，然后找这个时候最好的b1
4.把初始值换为b1,w1，重复就行
接下来是核心——怎么找最好的k1或者b1?
（又偷一个，这图是真好用啊）
固定b0后，w0和L就有个函数，直接再w0处求导，斜率负数就是左高右低往右走，正数就是相反，往低处走就行，至于走多少，这个就是你自己设置了，一半是你求出来的导数乘一个数，这个数叫做学习率，但是也没有说学习率取哪个值最好，他是自己设置的，自己设置的值叫做超参数。
（再用一个，嘿嘿）
这样就会出现问题，看图，一般找不到最小值，但是没啥关系，因为还有b没找呢，b也是变化的到时候w又变了，我们只要不断逼近最优值就行，并不用一定要全局最小，当然全局最小更好，可以让你更快的逼近。
这就是一个基本的逼近流程图
总结
介绍了机器学习的基本定义，以及实际流程，简述了一个优化参数的基本方法——梯度下降算法
105
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
