jjmhx的专栏

yfθ​x之前在一文中，我们建立了线性回归的理论模型，本文就用“最小二乘法”来求解这个模型。

这样的符号，显得很混乱，就像一支军队个个都穿得花里胡哨的。咱们这样简化处理纯为方便理解，现实生活中可能有1000个影响因素，还拿妹子的微笑来说，真是你花钱就能买到的吗？因为两点确定一条直线，显然，对于上面的散点图来说，不可能找到一条完美的直线，通过所有点。这很好理解，妹子的微笑不可能完全由一根直线决定，因此这些点是有噪声的。以追女孩为例，假设送的礼物越贵，妹子对我们抱以微笑的时候就越多。只要确定了斜率和截距，一次函数的图像形状也就确定了，因此我们要做的就求出k和b。为什么要搞个“西塔”出来，还要带下标呢？

回归就是从类似上面这样的连续数据中学习它的趋势，以此预测未来走势。牛津词典中对regression的解释：~ (to sth)the process of going back to an earlier or less advanced form or state倒退；回归；退化所以简单来说，回归就是回到过去，预测未来。

机器学习现在很火，但其实这玩艺并不是什么新产物。机器学习的基础理论和算法早就有了，只是一直没有产生炸裂的效应。为什么呢？因为英雄无用武之地，因为没有让它炸裂的环境。就好比今天的你一身武功，你也不敢称霸武林，无法一统江湖，因为你干不过子弹。甚至你想做个大侠都做不畅快，“十步杀一人，千里不留行，事了拂衣去……”，你能吗？你不能，因为你没资格“除暴”，也没资格“劫富”，那是违法滴。你说我不干人事，找个深山老林与大自然亲密接触，深藏身与名。完了，你终于“英雄无用武之地了”！

水不流，会发臭；人不学，会落后。学习是产生智能的第一步。大自然造出了人，人学习，产生了智能。人造出了机器，机器学习，产生了智能。学习是人产生智能的手段，机器学习是人工智能的实现手段。也可以说，机器学习是人工智能的核心。机器学习（ML，Machine Learning），简单来说，就是让计算机通过数据来学习。人学习靠经验，机器学习靠数据（确切地说靠的是大数据，即集合人类的全部经验）。机器学习从大量的数据中提取出有价值的信息，从而不断提升自己的能力。

通过训练语言模型，TensorFlow可以实现对文本的理解、生成和翻译等功能。张量是 TensorFlow 的核心数据结构，可以看作是多维数组，可以是标量（scalar，0 维）、向量（vector，1 维）、矩阵（matrix，2 维）或更高维的数组。计算图也就是图，也是由一系列节点（Node）和边（Edge）组成，只不过，人家这图是专门用来做计算的。Tensor的意思是“张量”，简单来说就是多维数组，可以想象成是一个装了很多数字的盒子，这些数字可以是标量、向量、矩阵，甚至是更高维度的不明生物。

机器学习有那么丰富的库，从TensorFlow到PyTorch，再到Scikit-learn，应有尽有，只有你想不到，没有你找不到。这些库强大到什么地步呢？这么说吧，只要你会调包（import），会看文档，基本上就能搭个模型，跑得有模有样，甚至发个论文也不在话下。因此，有些人会对那些埋头研究机器学习原理人嗤之以鼻。老子三两下就出菜了，你学了一溜儿十三招还在原地拉磨！但是，这些程序库就是黑漆漆的永远不掌灯的仓库，你能做的只是从窗口取东西，别想透过窗子看见什么，更别想进入仓库。这些库被称为“黑盒”。

经常会看到某大伽说来自“数据分析和机器学习团队”，数据分析和机器学习一个是数据，一个是机器，这俩货为啥总出双入对呢？今天就来掰扯掰扯。

这个“大”字才是模型的核心，威力的体现，其参数动辄十几亿甚至上万亿。首先，它是一个语言模型，是现代自然语言处理（Natural Language Processing, NLP）领域的核心组成部分，能够处理和理解大量的文本数据，并生成新的、有意义的文本。通俗地讲，就像看书一样，以前是按顺序逐字逐句地读（循环神经网络RNN就类似这种玩法），现在一目十行，而且眼睛会自动关注那些最有价值的信息，这是一种自动注意的能力，就叫“自注意力”。分析文本中的情感倾向，判断文本是积极的、消极的还是中性的。