本文介绍了机器学习中的连续值预测和离散值预测，重点讲解了手写数字识别这一离散值预测问题。通过线性回归和逻辑回归的概念，引入了深度学习中的卷积神经网络（CNN），并讨论了图像数据的处理，如one-hot编码。文章还提到了Yann LeCun在卷积神经网络和手写数字识别领域的贡献，以及解决高维图像分类问题的非线性模型和激活函数的重要性。
ML目标
从数据中学习到一些高层次的抽象的一些概念，这样的话，对于一个新数据x，也能预测出比较符合实际情况的y。
而自然界的y往往有两种：离散和连续。
连续值预测：
线性方程：
可以求出w和b精确解，但是在现实生活中，我们不能精确求解，1是生活中的模型是未知的，2是有噪声。
需要更多的参数才能求出w和b的值。
如何更好的求解w和b参数呢？
构造一个新的损失函数loos function
Minimize 的方法：
梯度下降法
如果要求一个函数的极小值，对于任意的x（随机初始化），沿着函数导数方向（使函数值增大的方向）的负方向更新，其中导数前面的0.005是衰减因子（学习率），即前进的长度是导数的长度乘以一个衰减因子，慢慢逼近极小值点。
对于一个函数，总可以更新到极小值点的函数，叫做凸函数。
连续值预测&#
最低0.47元/天 解锁文章
690
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
