第一次打卡的学习心得

     经过这三天的学习，让我了解到初入机器学习的难度，同时也让我明白了怎么去学习好机器学习这块内容，

想要入门机器学习，数学的基础知识是十分有必要的，对于机器学习来说，就是把现实世界中的情况转化为高维
空间的向量，例如对于声音的模拟，我们就要从响度、音调、频率、音色、乐音等元素进行组合，才能发出我们
想要的不同声音。而线性代数恰恰就可以把这种不同元素组成的数据转化为数学上的高维空间向量。这里可以附
上(https://blog.csdn.net/qq89127678/article/details/71036240?locationNum=2&fps=1)这个链接，号称学完这些
线性代数公式就可以满足机器学习了。下面就列举一些常用数学的知识：

线性回归**
主要内容包括：
线性回归的基本要素
线性回归模型从零开始的实现

线性回归输出是一个连续值，因此适用于回归问题。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。与回归问题不同，分类问题中模型的最终输出是一个离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。softmax回归则适用于分类问题。

由于线性回归和softmax回归都是单层神经网络，它们涉及的概念和技术同样适用于大多数的深度学习模型。我们首先以线性回归为例，介绍大多数深度学习模型的基本要素和表示方法。

线性回归的基本要素

我们用房屋价格预测作为例子来解释线性回归的基本要素。这个应用的目标是预测一栋房子的售出价格。
模型
为了简单起见，这里我们假设价格只取决于房屋状况的两个因素，即面积（平方米）和房龄（年）。接下来我们希望探索价格与这两个因素的具体关系。线性回归假设输出与各个输入之间是线性关系:

price=warea⋅area+wage⋅age+b

数据集
我们通常收集一系列的真实数据，例如多栋房屋的真实售出价格和它们对应的面积和房龄。我们希望在这个数据上面寻找模型参数来使模型的预测价格与真实价格的误差最小。在机器学习术语里，该数据集被称为训练数据集（training data set）或训练集（training set），一栋房屋被称为一个样本（sample），其真实售出价格叫作标签（label），用来预测标签的两个因素叫作特征（feature）。特征用来表征样本的特点。

损失函数
在模型训练中，我们需要衡量价格预测值与真实值之间的误差。通常我们会选取一个非负数作为误差，且数值越小表示误差越小。一个常用的选择是平方函数。 它在评估索引为 i 的样本误差的表达式为

l(i)(w,b)=12(y^(i)−y(i))2,

L(w,b)=1n∑i=1nl(i)(w,b)=1n∑i=1n12(w⊤x(i)+b−y(i))2.

优化函数 - 随机梯度下降
当模型和损失函数形式较为简单时，上面的误差最小化问题的解可以直接用公式表达出来。这类解叫作解析解（analytical solution）。本节使用的线性回归和平方误差刚好属于这个范畴。然而，大多数深度学习模型并没有解析解，只能通过优化算法有限次迭代模型参数来尽可能降低损失函数的值。这类解叫作数值解（numerical solution）。

在求数值解的优化算法中，小批量随机梯度下降（mini-batch stochastic gradient descent）在深度学习中被广泛使用。它的算法很简单：先选取一组模型参数的初始值，如随机选取；接下来对参数进行多次迭代，使每次迭代都可能降低损失函数的值。在每次迭代中，先随机均匀采样一个由固定数目训练数据样本所组成的小批量（mini-batch） B ，然后求小批量中数据样本的平均损失有关模型参数的导数（梯度），最后用此结果与预先设定的一个正数的乘积作为模型参数在本次迭代的减小量。

(w,b)←(w,b)−η|B|∑i∈B∂(w,b)l(i)(w,b)

学习率: η 代表在每次优化中，能够学习的步长的大小
批量大小: B 是小批量计算中的批量大小batch size

总结一下，优化函数的有以下两个步骤：

(i)初始化模型参数，一般来说使用随机初始化；
(ii)我们在数据上迭代多次，通过在负梯度方向移动参数来更新每个参数。

矢量计算
在模型训练或预测时，我们常常会同时处理多个数据样本并用到矢量计算。在介绍线性回归的矢量计算表达式之前，让我们先考虑对两个向量相加的两种方法。

向量相加的一种方法是，将这两个向量按元素逐一做标量加法。
向量相加的另一种方法是，将这两个向量直接做矢量加法。

经过自己计算，可以得到，将这两个向量直接做矢量加法，这个做法更好。

线性回归是用来预测未来值，而softmax回归则是用来分类，其特点与线性回归差不多，
个人觉得这个好像比线性回归要复杂一点，（本人的数学基础较差，哈哈）就不作简介了。

两者之间学习总结：
1：softmax回归适用于分类问题。它使用softmax运算输出类别的概率分布。
2：softmax回归是一个单层神经网络，输出个数等于分类问题中的类别个数。
3：交叉熵适合衡量两个概率分布的差异

同时我也了解到了机器学习的几大类
机器学习的分类：
监督学习：提供了包含正确回答的训练集，并以这个训练集为基础，算法进行泛化，直到对所有的可能输入都给出正确回答，这也称在范例中学习。

无监督学习：没有提供正确回答，算法试图鉴别出输入之间的相似，从而将同样的输入归为一类，这种方法称密度学习。

强化学习：介于监督和无监督之间，当答案不正确时，算法被告知，如何改正则不得而知，算法需要去探索，试验不同情况，直到得到正确答案，强化学习有时称为伴随评论家的学习，因为他只对答案评分，而不给出改进建议。

进化学习：将生物学的进化看成一个学习过程，我们研究如何在计算机中对这一过程进行建模，采用适应度的概念，相当于对当前解答方案好坏程度的评分。（不是所有机器学习书籍都包含进化学习）

优点：泛化，对于未曾碰到的输入也能给出合理的输出。

监督学习：回归、分类。

在最后说一下自己这三天的学习心得：

自己在恶补数学基础知识，数学不过关真的什么都听不懂(可能是我自己本身基础不好)，所以自己都是硬着听过来的，感觉好像什么也没学到是的，不过收获还是有的，让我掌握了其基本思路，对以后的学习有很大的帮助，希望自己能够继续坚持下去学习，加油加油加油！！！！！！！！！！！！