机器学习基本概念简介
1. 浅析机器学习
机器学习可以约等于找一个函数的能力，具备函数能力后可以做很多事情。例如：语音识别（1）、影像辨识（2）、下围棋（3）
（1）
（2）
（3）
2. 不同类型的函数：
（1）Regression：输出是一个数值。例如：预测明天的PM2.5的量
（2）Classfication：需要机器做的是选择题，我们预先准备一些选项（classes），机器从预设选项中选择一个当作输出。例如：垃圾邮件的侦测
（3）Structured Learning：create something with structure（image，document）产生有结构的事物。通俗来讲，让机器学会创造。
3-1. 如何找到目标函数（以Youtube点阅人数预测为例）
y：预测2月26日频道的总观看人数。（feature）
x1：2月25日频道的总观看人数。（feature）
w （weight）and b（bias）：未知参数（想要从数据中获取的参数）
y = b+wx1 叫做model（模型）
3-2. 从训练数据定义损失函数(Loss)
（1）Loss is a function of parameters | L（b,w）| 损失函数是与b与w相关的函数 | 即把b和w设置为未知参数的时候，这组数值的好坏的衡量
（2）举例说明Loss（Label表示正确数值）
依次类推，计算每天相较第二天的训练误差。
（3）平均绝对误差和均方误差以及交叉熵计算法
（4）Loss的等高线分布图（Error Surface：误差曲面）
3-3 Optimization：最优解问题
1.找出效果最好的一组w和b让Loss的值最小。
2.Gradient Descent（梯度下降）
（1）首先假设未知参数只有一个：w
（2）获取不同的w与Loss的关系
（3）找到一个W使得Loss的值最小，首先随机挑选一个W0
（4）计算w = w0 这一点的切线斜率
（5）若w = 负值 —> 增加w
（6）若w = 正数 —> 减小w
（7）增加和减小的大小取决于该点斜率的大小和学习率的大小（hyperparameters表示人为设定的数值）
（8）移动
（9）停下的两种原因
人为设置了参数更新
计算得到的微分为0，参数不再移动
（10）存在问题：上述例子很显然可以发现梯度下降找到的不是最优的w，不是最优解的数值叫做local minima（局部最小值），真正的最优解是global minima（全局最小值）
（11）拓展：local minima不是Gradient descent真正的问题
3.双参数引入
4.接下来的问题
我们需要知道的是未来的观看次数，所以要使用上述得到的函数获取未来的观看次数。
（1）分析结果
横轴代表时间，纵轴代表观看的人数
真实数据每隔七天就会有两天特别低
（2）修改模型（增加数据天数）
以上所用的模型统称为Linear models