机器学习入门Datawhale X李宏毅苹果树 AI夏令营 TASK1

机器学习：寻找一个函数，使机器具有完成某个任务的能力。

机器学习的任务：1回归（输出为一个数值）2分类（输出一个选择的结果）如AlphaGo

3结构化学习（产生一个有结构的物体）比如让机器画一张图写一篇文章。

案例学习：找到带有未知参数的函数f,选取合适的函数来拟合

y = b + w ∗ x1，而 b 跟 w 是未知的。带有未知的参数的函数称为模型（model）。模型在机器学习里面，就是一个带有未知的参数的函数，特征x1 是这个函数里面已知的，它是来自于后台的信息， w 跟 b 是未知的参数。w 称为权重，b 称为偏置

第1步：

猜测函数为y=kx+b，然后估算与真实的差距，得到y 与 yˆ

y 与 yˆ 之间绝对值的差距，e = |yˆ − y|，称为平均绝对误差

如果算y与yˆ之间平方的差距，如式 (1.7) 所示，则称为均方误差e = (ˆy y − y)2

第 2 步：有一些任务中 y 和 yˆ 都是概率分布，这个时候可能会选择交叉熵

计算它的损失，画出来的等高线图称为误差表面

第3步：

常用方法:梯度下降

学习率η也会影响步伐大小。学习率是自己设定的，如果η设

大一点，每次参数更新就会量大，学习可能就比较快。如果η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。这种在做机器学习，需要自己设定，不是机器自

己找出来的，称为超参数

但如果在梯度下降中，w0是随机初始的位置，也很有可能走到wT这里，训练就停住了，无法再移动w的位置。右侧红点这个位置是真的可以让损失最小的地方，称为全局最小值，而wT这个地方称为局部最小值，其左右两边都比这个地方的损失还要高

一点，但是它不是整个误差表面上面的最低点。