Datawhale X 李宏毅苹果书 AI夏令营 1.1通过案例了解机器学习

机器学习（Machine Learning, ML） 是指让机器具备学习能力的技术。具体而言，它是让机器找到能够将输入数据映射为输出结果的函数。例如，在语音识别中，机器学习可以帮助找到一个将声音信号转化为文字的函数。类似的，图像识别、围棋程序（如AlphaGo）也都依赖于找到适当的函数来实现相应的任务。

深度学习（Deep Learning, DL） 是机器学习的一个子领域，它利用多层神经网络来处理复杂的数据和任务。深度学习通过模拟人脑神经元的结构和功能，逐渐学习和提取数据中的层次特征，从而提高模型的预测和分类能力。

机器学习根据要解决的问题类型不同，主要分为以下几类：

• 回归（Regression）： 当输出是一个数值或标量时，称为回归任务。例如，预测未来某一时刻的PM2.5数值。机器需要找一个函数，其输入为相关的环境指标，输出为预测的PM2.5数值。
• 分类（Classification）： 当输出是一个类别时，称为分类任务。分类任务要求机器从预定义的选项中选择一个。例如，垃圾邮件检测系统可以判断邮件是否为垃圾邮件。分类任务的输出可以有多个选项，如围棋中的19×19个棋盘位置。
• 结构化学习（Structured Learning）： 机器不只是选择一个类别或输出一个数值，而是生成一个有结构的结果，例如生成图像或撰写文章。

下面以视频的点击次数预测为例介绍下机器学习的运作过程：

1. 模型建立：
首先，假设需要预测一个视频频道在未来一天的总观看次数。我们可以设定一个函数：
$$y=b+w\times x_1$$
其中，$y$ 是目标变量，即需要预测的观看次数；$x_1$ 是已知特征，例如前一天的观看次数；$b$ 和 $w$ 是未知参数，需要通过数据训练来确定。

2. 损失函数定义：
损失函数用于衡量预测结果与实际结果之间的差距。常见的损失函数包括平均绝对误差（MAE）和均方误差（MSE）。
例如，对于一天的预测误差可以计算为：
$$e=|y-\hat{y}|$$
损失函数的最终目的是通过优化参数 $b$ 和 $w$，使得整体预测误差最小。

3. 参数优化：
通过梯度下降法（Gradient Descent），可以不断调整参数$b$和$w$以最小化损失函数值。梯度下降法的核心在于计算损失函数对参数的导数，并沿着导数的反方向更新参数，以逐步逼近最优解。

在机器学习中，找到一个合适的模型和损失函数，并通过有效的优化方法来确定最佳参数，是实现高精度预测的关键。在实际应用中，模型的选择、特征的提取以及超参数的调整都会显著影响模型的表现。