Datawhale打卡日记5.13

5.12
学习打卡任务内容：
了解什么是Machine learning
学习中心极限定理，学习正态分布，学习最大似然估计
推导回归Loss function
学习损失函数与凸函数之间的关系
了解全局最优和局部最优
学习导数，泰勒展开
推导梯度下降公式
写出梯度下降的代码
学习L2-Norm，L1-Norm，L0-Norm
推导正则化公式
说明为什么用L1-Norm代替L0-Norm
学习为什么只对w/Θ做限制，不对b做限制

**

**1.什么是Machine Lerning? **

**
人工智能(Artificial Intelligence),指的是人制造出来的机器所表现出的智能。
人工智能和机器学习的关系?
人工智能是目标,机器学习是实现它的手段和方式。
什么是机器学习?
机器学习是人工智能的一个分支。机器学习理论主要是设计和分析一些让计算机可以自动"学习"的算法。机器学习算法是从一类数据中自动分析获得规律(Function),并利用规律对位置数据进行预测的算法。简单的解释:通过一大堆数据来找到一个Function。比如给机器认识一大堆猫的图片(训练Training),再给他一个他未曾看到过猫的图片,他也能准确的识别出这是个猫的图片。因为机器学习算法中设计了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。
具体的步骤如下:
1.定义一个函数集合(Model)
2.评估函数(Goodnes of Function,通过Training Data)
3.挑选出最好的函数

2.中心极限定理,正态分部,最大似然估计
中心极限定理:指的是给定的一个任意分布的总体,每次从这个总体随机里面抽取n个数据,抽取m次。然后把这个m组抽