概念
机器学习
机器学习(machine learning),顾名思义,机器具备有学习的能力。具体来讲,机器学习就是让机器具备找一个函数的能力。
机器学习的类别
随着要找的函数不同,机器学习有不同的类别。
回归:假设要找的函数的输出是一个数值,一个标量(scalar),这种机器学习的任务称为回归(regression)。
分类:要找的函数的输出是从设定好的选项(即类别,class)里面选择一个当作输出,该任务称为分类(classification)。
结构化学习:叫机器产生有结构的东西的问题称为结构化学习(structured learning)。比如写一篇文章,画一张图片。
机器学习的步骤
第一个步骤是写出一个带有未知参数的函数f,函数的输出y是要预测的东西。如函数y=b+wx1。
在这个函数中,y跟x1都是数值。b跟w是未知的参数,是准备要通过数据去找出来的。
w跟b是未知的,只是隐约地猜测。猜测往往来自于对这个问题本质上的了解,即领域知识(domain knowledge)。
模型:带有未知的参数(parameter)的函数称为模型(model)。模型在机器学习里面,就是一个带有未知的参数的函数,特征(feature)x1是这个函数里面已知的信息,而w跟b是未知的参数。w称为权重(weight),b称为偏置(bias)。
第2个步骤是定义损失(loss),损失也是一个函数。损失是函数L(b, w),其输入是模型参数
b跟w。
机器学习的第3步:解一个最优化的问题。找一个w跟b,把未知的参数找一个数值出来,看代哪一个数值进去可以让损失L的值最小。
梯度下降(gradient descent)是经常会使用优化的方法。
学习率
超参数
全局最小值(global minima)
局部最小值(local minima)