2022人工智能数学基础1-2（许志钦

许老师  2017年 计算神经科学 博士后，转行做deep learning

神经元只是区分信号有无

单层神经网络

 

线性拟合：

 数据、有模型、算未知参数a,b 

最小二乘

定义 损失函数，    没有平方无法真正表征距离

 求β，  方法一、最小化损失函数

方法二：

 统计角度：告诉我们 什么样的模型可用，

机器学习面临的最大困难：不知道什么时候可用，

 只知道四个点 没有办法判断， ①②哪个好

没有免费的午餐，没有一个算法比另一个绝对的好，

一般生活中的数据相对光滑，所以我们会觉得②泛化性好，

机器学习和统计的区别：统计需要理解 模型适用范围

机器学习：把数据拟合好

我们希望淡化这两者的区别

以线性拟合为例，讲解机器学习的基本概念：

我们其实并不关心训练集的误差等于0，而是关心我们的model和真实模型匹配上

 两层神经网络

写成更一般的形式：

 n代表  数据个数，  m代表  神经元数目

b：m x 1 ，广播成B：m x n