Datawhale X 李宏毅苹果书 AI夏令营--深度学习（入门）Task01学习笔记

1. 基本概念

1. 机器学习（Machine Learning, ML）：是指让计算机系统通过数据学习执行特定任务的能力。

2. 深度学习（Deep Learning, DL）：是机器学习的一个分支，它利用多层神经网络解决复杂问题。

3. 机器学习任务

（1） 回归（Regression）：预测连续数值，例如预测未来的PM2.5指数。

（2） 分类（Classification）：从给定的类别中选择一项作为输出，例如检测邮件是否为垃圾邮件。

（3） 结构化学习（Structured Learning）：生成具有结构的输出，如图像或文章。

2. 案例学习：预测视频点击次数

        机器学习找函数的过程，分成 3 个步骤：

        1. 模型构建：

        （1） 目标: 预测明天的观看次数。

        （2） 模型: 建立一个带有未知参数的模型，用于预测视频的未来点击次数。模型形式为 y=b+wx1，其中 y 是预测的观看次数，x1 是前一天的实际观看次数，b 和 w 是待求解的未知参数。

        2. 定义损失：

        （1） 损失函数: 用来评估模型预测的准确性。设计一个损失函数 L(b, w) 来衡量模型预测的准确性。损失函数的目的是评估模型参数的好坏。

        （2）计算损失: 使用训练数据集来计算损失。训练数据集包含过去几年的观看次数记录。 

        3. 优化求解：使用梯度下降法等方法找到使损失函数最小化的参数值 b* 和 w*。梯度下降法涉及迭代更新参数，直到达到某个停止条件。

        （1） 误差表面: 通过尝试不同的 b 和 w 组合，计算每组参数下的损失值，从而构建一个误差表面。

        （2） 梯度下降法：梯度下降是一种常用的优化方法，通过梯度下降法来寻找最小化损失的参数值 b* 和 w*。

                  ① 初始化：随机选择初始参数值。

                  ② 计算梯度：计算损失函数关于每个参数的梯度。

                  ③ 更新参数：按梯度方向更新参数，更新步长由学习率决定。

                  ④ 停止条件：达到预设的最大迭代次数或者梯度接近于零。

        （3） 局部最小值问题：在某些情况下，梯度下降法可能会陷入局部最小值而非全局最小值，导致未能找到最优解。

总结：

通过这个案例学习，了解到机器学习的基本步骤包括构建模型、定义损失函数以及使用优化算法来最小化损失。

未完待续...