机器学习概要学习

一、机器学习~~让机器具备找一个函数的能力

二、如果按照学习方式分类可分为
学习方式 英文 描述
监督式学习 Supervised Learning 训练集目标:有标注; 如回归分析，统计分类
非监督式学习 Unsupervised Leanring 训练集目标:无标注;如聚类、GAN(生成对抗网络)
半监督式学习 Semi-supervised Leanring 介于监督式与无监督式之间
增强学习 Reinforcement Leanring 智能体不断与环境进行交互，通过试错的方式来获得最佳策略
https://blog.csdn.net/weixin_43906500/article/details/117000868

1.回归(regression)： 函数输出为数值
回归分析是指一种预测性的建模技术，主要是研究自变量和因变量的关系。通常使用线/曲线来拟合数据点，然后研究如何使曲线到数据点的距离差异最小。

2.分类（Classification）：给定一定选项，函数输出为正确的那个选项
举例：输入邮件内容，判断是否是垃圾邮件
下围棋，19*19的选项

3.结构化学习：产生带有结构的东西，比如图像和文本。

机器学习过程：如何找一个函数？
根据一个视频频道过往的数据，来预测明天的包放量和点赞量是多少，找到这样的一个函数，输入是历史数据，输出是明天的播放量

1.找一个带未知参数的函数，基于领域知识：y（未来的播放量）=b+wx1,x1为当天的播放量,b(bias偏置)和w(weight权重)是未知的参数
w和b是未知参数，从数据中学习

2.从训练数据中定义LOSS(损失)，1).LOSS是关于参数的函数L(b,w) 2).LOSS:一组数值好还是不好
计算：预测值，真实值(label)的差距，然后LOSS=1/n Een,值越大，表示这组参数越不好
绝对值误差(MAE)，均方误差(MSE)

3.优化（optimization）,要找一组最好的b和w,可以让我们的L最小。
梯度下降

线性模型

线性模型太简单，需要更复杂的模型