深度学习入门详解——深度学习基础#Datawhale X 李宏毅苹果书 AI夏令营

一、基本概念

1，机器学习：使机器拥有具备找到一个函数的能力。

函数：不是数学中定义的函数，就是一个输出通过映射或者说某法则得到一个输出

比如：一张图片——（某法则或映射）——>>图中物品种类

2，常见机器学习任务

回归（regression）：所找的函数是一个数值/标量（scalar）。

分类（classification）：让机器选择类别，类别是人提前确定的。

结构化学习：输出的是一个有结构的物品，比如一张图片，一篇文章。

3，模型：带有参数的函数：比如f=wx+b（对于具体参数w和b得到一个函数）

其中，输入x为特征，w为权重，b为偏置。

4，为了能够找到一个好的函数能够到达我们具体任务的要求，首先确定某个东西能够衡量函数的好坏——误差（就真实情况与我们找到函数算出来的差距）。

误差函数：输入的是待找的参数（如w和b），输出是在该参数下对应误差结果。

计算误差的方法：

（1）平均绝对误差（MAE）

（2）均方误差（MSE）

5，误差平面：如上一个例子，选取不同的w和b，会计算出不同的误差，对不同误差值采用不同颜色表示，绘制出的图

7，超参数：需要自己设置值的参数

6，梯度下降法：最常使用的优化算法，通过计算微分确定参数变化，慢慢靠近最优值，但是可能会出现找到的是局部最优值，而非全局最优值。