Datawhale X 李宏毅苹果书 AI夏令营（入门Task01)

什么是机器学习

机器学习可以看作是找函数的问题，其类型可以分为回归，分类，结构化学习

回归是根据一个预测对象的相关数值因素，来预测该对象的未知数值。例如：预测PM2.5的明天的数值，则可以将今天的PM2.5相关数值，温度，臭氧浓度等相关数值作为输入，则由机器学习模型（可看作一个函数）来预测下一天的PM2.5数值作为输出

分类是对于输入对象可以根据模型算法来进行分类，其分类结果的范围是已知的，其标签是已经设定好的。分类任务要让机器做选择题，例如：AlphaGo，其输出结果也是分类结果，即棋盘19*19的位置作为分类标签。

结构化学习：机器不只是要做选择题或输出一个数字，而是产生一个有结构的物体，比如让机器画一张图，写 一篇文章。这种叫机器产生有结构的东西的问题称为结构化学习。

机器学习如何找到函数

第一步骤：写出带有位置参数的函数，例如：y = b + wx1，y是预测的东西，x1是已知因素的数值（该数据可以查到），b,w是未知模型参数，确保模型的准确性，就要找到最好的b，w参数

第二步骤：定义模型参数的损失loss，假设损失函数为 L(b,w) 

 损失函数：

损失函数其计算方式多样，例如：平均绝对误差（Mean Absolute Error，MAE），均方误差（Mean Squared Error，MSE），交叉熵（cross entropy）等，需要根据具体的情况来进行选择损失函数计算公式。

选择不同的w,b计算损失值，进行比较，画出来的等高线图【误差表面（error surface）】

第三步骤：找出一组损失值最小的w,b 。

如果算 出来的斜率是正的，就代表左边比较低右边比较高。左边比较低右边比较高，如果左边比较低 右边比较高的话，就代表把 w 变小了，w 往左边移，可以让损失的值变小。这个时候就应该 把 w 的值变小。

我们可以想像说有一个人站在这个地方，他左右环视一下，算微分就是左右 环视，它会知道左边比较高还是右边比较高，看哪边比较低，它就往比较低的地方跨出一步。 这一步的步伐的大小取决于两件事情：

• 第一件事情是这个地方的斜率，斜率大步伐就跨大一点，斜率小步伐就跨小一点。

• 另外，学习率（learning rate）η 也会影响步伐大小。学习率是自己设定的，如果 η 设 大一点，每次参数更新就会量大，学习可能就比较快。

不断地移动 w 的位置，最后会停下来。往往有两种 情况会停下来：

第一，设置参数更新次数；第二，算出来这个微分的值是 0