Datawhale X 李宏毅苹果书 AI夏令营_Task1

        机器学习（Machine Learning）≈让机器具备寻找函数的能力（Looking for Function），是的计算机系统能够从数据中学习并作出决策或预测，

        分为三大类别：回归（Regression）、分类（Classification）以及结构化学习（Structured Learning）

回归（Regression）：函数的输出是一个数值，一个标量。

示例算法：线性回归、岭回归、套索回归、支持向量回归、神经网络等

如下面的使用今天的与PM2.5相关的数据去预测明天的PM2.5的数值

分类(Classification)：给出两个及以上个选项或类别，函数输出正确项，即让机器做选择题。其中又分为二分类和多分类。

• 二分类（Binary Classification）：两类标签，如垃圾邮件检测分类；
• 多分类（Multi-class Classification）：多类标签，如图像识别，电影分类。

结构化学习（Structured Learning）：产生一个有结构的物体，如图片、文段等。

机器学习找函数分为三个步骤：

1.写出带有未知参数的函数（Function with Unknown Parameters）

        因为上述函数是带有未知数b和w的，因此带来了猜测，猜测往往来自于对这个问题本质上的了解，及领域知识（domain knowledge）。上述函数中，被称为特征（feature），被称为权重（weight），被称为偏置（bias）。

2.从训练数据中定义损失（Define Loss from Training Data）

        损失是函数，其输入是参数和。损失函数主要表征将未知参数和设定为某一数值时，这笔数值好还是不好。

3.优化（Optimization)

        找一个和，把未知的参数找出一个数值，看代入哪个数值进去可以让损失L最小，即是要找的和，这个让损失最小的和就称为和。梯度下降（gradient descent）是经常会使用优化的方法，但是梯度下降存在一个很大的问题，即没有找到真正最好的解，没有找到可以让损失最小的。