【Datawhale X 李宏毅苹果书 AI夏令营】机器学习基础1.1

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

1. 回归（Regression）：预测一个数值，例如预测PM2.5数值。
2. 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。
3. 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。