Datawhale X 李宏毅苹果书 AI夏令营-深度学习入门班-task1-初步了解机器学习

什么是机器学习

机器学习，顾名思义，机器具备有学习的能力。具体来讲，机器学习就是让机器具备找一个函数的能力。机器具备找函数的能力以后，它可以做很多事。比如语音识别，机器听一段声音，产生这段声音对应的文字。

机器学习解决的问题是什么

回归（regression）：根据已有数据预测未知数据，输出为一个数值（标量）。

分类（classification）：顾名思义，需要注意的是分类不止二元分类，也可以有多个选项。

结构化学习（structured learning）：产生有结构的物体，比如让机器画一张图，写一篇文章。

机器学习步骤

模型构建：

选择一个具有可调参数的函数形式，这个函数试图捕捉数据的基本模式。
以线性回归为例，我们使用函数
y=b+wx，其中b是截距，w是斜率。

损失函数定义：

损失函数衡量模型预测值与实际值之间的差异，帮助我们评估模型的准确性。
在线性回归中，我们可以使用均方误差

 作为损失函数，其中n是数据点的数量，y是实际值。

参数优化：

通过调整模型参数来最小化损失函数，这个过程称为优化。
使用梯度下降法，我们可以：

随机初始化参数w。
计算当前参数下的损失函数梯度，即损失函数对参数的导数。
根据梯度和学习率η更新参数w。

迭代更新：

重复上述优化过程，直到损失函数值降低到一个可接受的最小值。
每次迭代，我们更新参数w，直到模型的预测与实际数据足够接近。

模型评估与调整：

在模型训练完成后，使用测试数据集评估模型的性能，并根据需要调整模型。
通过比较预测值和实际值，我们可以评估模型的准确性，并根据评估结果对模型进行微调。

泛化能力验证：

确保模型在新的、未见过的数据上也能表现良好。
通过在独立的测试集上进行验证，我们可以检查模型是否具有泛化能力，即在新数据上的表现是否与训练数据上的表现一致。