-
机器学习的分类
机器学习主要分为监督学习和无监督学习，监督学习就是数据集中的每个样本都有正确的答案，比如回归问题和分类问题。无监督学习使用的数据集没有任何标签，让机器自己学习，比如聚类算法，主要学习了监督学习中的线性回归算法和逻辑回归算法。
-
线性回归
单变量线性回归算法，比如我们根据房子的面积去预测房价时，首先我们设定一个假设函数
根据这个假设函数求得一个预测值，那么我们怎么去确定参数从而到达精准预测的目的呢？我们可以通过代价函数来确定函数的参数，代价函数为
也就是用预测到的值减去真实值的平方和再求平均，只有这个函数的值越来越小时，预测到的结果值才越接近真实值，因此我们要确定参数使得代价函数取得最小值，这个时候就用到梯度下降的方法，梯度下降公式中的a值是学习率，学习率可以控制参数更新的快慢，对两个参数进行求导，
将求导的结果带入到梯度下降的公式中，每一次循环就对参数进行更新，直到找到最优的参数，得到代价函数的最小值。
-
逻辑回归
逻辑回归算法适用于二分类问题，同样也是通过代价函数，采用梯度下降的方法不断地更新参数，但是采用误差平方的代价函数不利于梯度更新，因此我们采用了另一种方式来定义代价函数。
采用这种方式的原因见笔记本。和线性回归一样，采用梯度下降的方式迭代更新参数，获取到代价函数的最小值。
-
卷积神经网络
深度学习主要学习了三个神经网络模型，首先是卷积神经网络模型，它在计算机视觉方面应用比较广泛，图中所示的是ＬｅＮｅｔ－５模型，输入的图片是一个32*32*1大小的图片，卷积层中的过滤器大小为5*5*6，因此会得到一个28*28*6矩阵，之后经过池化层，过滤器大小为2*2，步长为2，会得到一个14*14*6大小的矩阵，在经过大小为5*5*16的过滤器，得到10*10*16大小的矩阵，再经过池化层，过滤器大小为2*2，步长为2，得到5*5*16大小的矩阵，最后经过全连接层，共有400个节点，每个节点有120个神经元，有时这400个节点会抽出部分神经元构建另一个全连接层，这样就会有两个全连接层，第二个全连接层有84个特征，最后得到输出。
前向传播和反向传播，首先计算出神经网络地输出，然后进行反向传播操作，计算出对应地梯度，从而更新参数。