机器学习与深度学习定义
- 机器学习(ML):赋予机器学习的能力,通过寻找合适函数处理数据。
- 深度学习(DL):作为机器学习的一个子领域,使用多层神经网络来学习数据的复杂表示。
机器学习任务分类
- 回归(Regression):预测一个数值,例如预测PM2.5数值。
- 分类(Classification):从预设的类别中选择一个作为输出,例如垃圾邮件检测。
- 结构化学习(Structured Learning):生成具有结构的输出,如绘画或写作。
机器学习过程
- 模型定义:创建一个带有未知参数的函数,例如线性模型 ( y = b + wx_1 )。
- 损失函数:定义损失函数来衡量预测值与实际值之间的差距,如MAE或MSE。
- 优化:使用梯度下降等方法找到最佳参数,最小化损失函数。
梯度下降算法
- 通过迭代调整参数来最小化损失函数。
- 面临局部最小值问题,可能无法找到全局最小值。
超参数
- 学习率(Learning Rate):控制参数更新的步长。
- 更新次数:设置迭代的最大次数。
案例学习
使用视频点击次数预测作为例子,介绍了机器学习模型的运作过程。
模型评估
在训练数据上评估模型的误差,然后使用模型对未知数据进行预测。