#DatawhaleX李宏毅苹果书 AI夏令营#task1

通过学习本篇文章和视频，我对深度学习有了一定的了解。机器学习是让机器具备找一个函数的能力，以完成各种任务；而深度学习是机器学习的一个重要分支。

机器学习的任务类别有三种，一个是回归：输出是一个数值（标量），例如预测未来某一时间的 PM2.5 数值；一个是分类：输出是从设定好的选项中选择一个，例如检测邮件是否为垃圾邮件，AlphaGo 下围棋也是分类问题；一个是结构化学习：让机器产生有结构的物体，如画图、写文章等。

通过案例学习，我对视频点击次数预测也有了一定的了解。基本上分为以下几个步骤：

1. 步骤一：写出带有未知参数的函数，如，其中是预测的今天频道的观看次数，是前一天的观看次数，和是未知参数。称为权重，称为偏置。
2. 步骤二：定义损失函数，输入是模型参数和，输出代表参数设定某一数值时的好坏。通过训练数据计算损失，如根据过去的观看次数计算预测值与真实值的差距，可采用平均绝对误差（MAE）或均方误差（MSE）等方法。不同的和组合会得到不同的损失，可画出误差表面（等高线图）。
3. 步骤三：解最优化问题，找到使损失最小的和（和）。常用梯度下降法，假设只有一个未知参数，随机选取初始点，计算该点的微分以确定移动方向，移动步伐大小取决于斜率和学习率（超参数）。梯度下降可能存在局部最小值问题，但实际中局部最小值并非主要难题。

通过案例学习找到使损失小到 480 的和，在已知数据上计算损失较小，在未看过的数据上预测未来观看次数的误差为 0.58。

学习中我也发现了一些隐藏任务。

术语	解释
回归（regression）	假设要找的函数的输出是一个数值，一个标量（scalar），这种机器学习的任务称为回归。例如，机器要预测未来某一个时间的 PM2.5 的数值，其输入是可能与预测 PM2.5 有关的指数，输出是明天中午的 PM2.5 的数值，找这个函数的任务就称为回归。
分类（classification）	分类任务要让机器做选择题，人类先准备好一些选项，这些选项称为类别（class），现在要找的函数的输出就是从设定好的选项里面选择一个当作输出，该任务称为分类。例如，检测一封邮件是否为垃圾邮件就是一个分类任务，分类不一定只有两个选项，也可以有多个选项。AlphaGo 下围棋也是一个分类问题，机器从 19×19 个可以落子的位置里面选出下一步应该要落子的位置。
结构化学习（structured learning）	机器不只是要做选择题或输出一个数字，而是产生一个有结构的物体，比如让机器画一张图，写一篇文章，这种叫机器产生有结构的东西的问题称为结构化学习。
损失（loss）	损失也是一个函数，其输入是模型里面的参数，输出的值代表现在如果把这一组未知的参数设定某一个数值的时候，这笔数值好还是不好。例如，通过计算预测值与真实值的差距来评估参数的好坏。
平均绝对误差（Mean Absolute Error, MAE）	计算 y 与ˆy 之间绝对值的差距，如式 $e =	\hat{y} - y	$ 所示，用于衡量预测值与真实值之间的平均误差大小。
均方误差（Mean Squared Error, MSE）	计算 y 与ˆy 之间平方的差距，如式所示，用于衡量预测值与真实值之间的误差平方的平均大小。
梯度下降（gradient descent）	一种常用的优化方法，用于找到使损失最小的参数。通过随机选取初始点，计算该点的微分来确定移动方向，移动步伐大小取决于斜率和学习率，不断更新参数位置，直到满足停止条件。
学习率（learning rate）	在梯度下降中，学习率是自己设定的超参数。如果学习率设大一点，每次参数更新就会量大，学习可能就比较快；如果学习率设小一点，参数更新就很慢，每次只会改变一点点参数的数值。
超参数（hyperparameter）	在机器学习中，需要自己设定的参数，不是机器自己找出来的，例如梯度下降中的学习率、调整参数时计算微分的次数等。
局部最小值（local minima）	在梯度下降中，参数可能会停留在一个地方，该地方的左右两边都比这个地方的损失还要高一点，但它不是整个误差表面上面的最低点。
全局最小值（global minima）	在误差表面上可以让损失最小的地方。

希望之后自己能坚持机器学习方面的学习。