DataWhale X 李宏毅苹果书 AI夏令营-深度学习入门班 -TASK1

Ⅰ 通过案例了解机器学习

①基本概念

机器学习(Machine Learning,ML) 顾名思义，机器具备有学习的能力。具体来说就是让机器具备找一个函数的能力。机器学习一般要针对某个特定场景来进行训练。

回归(Regression) 假设要找的函数的输出是一个数值，一个标量。这种机器学习的任务称为回归。

分类(Classification)分类任务就是让机器做选择题，选项称为类别，现在要找的函数的输出就是从设定好的选项里面选择一个当作输出，该任务称为分类。

结构化学习(Structured learning) 让机器产生有结构的东西的问题称为结构化学习。

模型 带有未知参数的函数称为模型。

②案例学习：预测视频的点击次数

场景：想要通过视频平台赚钱，故需要知道频道有没有流量，从而知道获利情况。
输入:后台信息：每天点赞的人数、订阅人数、观看次数等。
输出：预测明天的观看次数
机器学习找到函数的过程(3步）：第一步是写出一个带有未知参数的函数f，在本例子是其能预测未来观看次数。
特征是函数里面已知的，来自于后台的信息(输入）。
假设我们这里的函数是一次性函数，那系数就称为权重，截距就称为偏置。
第二步是定义损失。损失也是一个函数。这个函数的输入是模型里面的参数。可以计算预测的值与真实值的差距。有不同的计算方法，如果计算真实值与预测值之间绝对值的差距，称为平均绝对误差。如果算真实值与预测值之间平方的差距，则称为均方误差。
在一些任务中，真实值和预测值都是概率分布，这个时候可能会选择交叉熵。
第三步是解一个最优化的问题。找到模型里面的参数，看代入哪一个数值进取可以让损失最小。梯度下降是经常会使用优化的方法。