机器学习笔记—1（李宏毅版）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

机器学习相当于寻找一个函数，即Model，这个函数可以通过一个“输入”获得一个“输出”，比如输入声音获得文字，输入图片输出分类，输入过去的PM2.5值输出明天的PM2.5值，f(x)=bias+weightx
在所有找到的函数中，预期值与实际值相差最小的那个函数，就是所需要的那个函数，对于不同的weight和bias，有不同的Loss(w,b)，用于判定这个函数有多好，使得Loss(w,b)最小的那组(w,b)
通过训练资料计算Loss，e1=(y1-y(hat)1)^2，如何算出最小的Loss？通过Loss对weight和bias进行偏微分，就能找出极小值点
Loss(w,b)可以自行定义
学习速率，每次向Loss减小方向移动的距离
实际上，在Linear Model中，weight和feature的数量到达极限后，继续增加feature数量并不一定会让结果更好
定义函数function–>定义Loss(w,b)–>找出最好的function
可以使用分段函数来组成最优的结果函数
2.
sigmoid function 和 hard sigmoid function 通过调整参数weight和bias用来组成各式各样的 function，w控制斜率，b控制左右位置，c控制曲线高度，B(在x=0处的y的值)+(多个相加)csigmoid(b+wx)，用多个这样的function相加获得复杂的function
即 y=bi+(多个相加)cisigmoid(bi+wij*xj) ，可以化为矩阵相乘
ReLU，Sigmoid，Activation Function，Neuron，Neural Network --> Deep Learning

---

前言

机器学习为人工智能的基础学科。
课程网址：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML20.html

B站视频地址：https://www.bilibili.com/video/BV1JE411g7XF?from=search&seid=18330864429491522852

案例提供的是在Colab上运行的，不能使用的同学可以直接使用其他python编程工具即可。

---

以下是本篇文章正文内容

一、Regression

根据输入的信息，获得相对应的输出，即得到一个函数。

二、步骤

1.寻找Model（Function Set）

model可以理解为一组function的集合，比如 Y=Ai*Xi+Bi 这样一组一次方程组的集合

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。