“Datawhale X 李宏毅苹果书 AI夏令营”深度学习入门笔记Task1

机器学习基础知识

基础概念

机器学习（Machine Learning，ML）：让机器具备找一个函数的能力，这个函数可以用来声音识别，图像识别等功能

深度学习（Deep Learning，DL）：深度学习是一种模拟人类大脑神经网络工作方式的算法

机器学习的类别：根据要找的函数的不同，把机器学习分为不同的类别，例如回归（根据之前的数据预测未来的数据，如天气，温度，降水量等预测类问题。），分类（判断该问题的答案为正确还是错误，垃圾邮件过滤等等问题），结构化学习（例如写一篇文章，根据文字产生一张图片）

案例学习

以预测未来一天的视频点击量为案例了解机器学习

找函数的工作分为三步

1.假设一个函数f

2.定义损失函数

3.找到未知参数的最优解

1.定义函数

例如，可将函数写为y = b + wx，y是经过预测得到的数值，x为该视频，b,w即为要求的参数，是未知的，可以通过过去的视频播放量来确定。我们将带有未知参数的函数称为模型

2.定义损失函数

对于给定的数据集，损失函数计算模型在整个数据集上的平均损失（或成本）。这个平均损失代表了模型性能的“好坏”，损失越小，通常意味着模型的性能越好。苹果书中写到采用均方误差（Mean SquaredError，MSE）e = (ˆy y − y)2；平均绝对误差（Mean Absolute Error，MAE）e = |yˆ − y|；或者交叉熵的方式计算估测值和实际值之间的差距

画出来的等高线图称为误差表面（error surface）。在这个等高线图上面，越偏红色系，代表计算出来的损失越大，就代表这一组 w 跟 b 越差。如果越偏蓝色系，就代表损失越小，就代表这一组 w 跟 b 越好，拿这一组 w 跟 b，放到函数里面，预测会越精准。

可以通过尝试了不同的参数，计算它的损失，通过等高线图来确定函数 L(b, w)中b,w的值哪个是最优解。

3.找最优解

苹果书以梯度下降（gradient descent）为例，是经常使用优化的方法。