一、机器学习
机器学习（Machine Learning，ML）：机器具备找函数的能力。当我们对机器输入一个任务时（如：语音识别和图像识别），机器要做的就是找出这些任务蕴含的函数，通过找到函数，机器就可以通过输入的内容给出对应的输出内容。而找函数人类是很难做到的，所以这时候就需要机器学习。
机器学习通过输出结果的不同可以分为不同的类别。
1、回归（Regression）：函数输出是一个数值。
预测未来PM2.5的数值
输入：今天PM2.5浓度以及臭氧浓度以及等等可以帮助机器计算结果的条件。
输出：一个具体的数值（明天的PM2.5的浓度）
2、分类（Classification）：做选择题。我们给机器一些设定好的选项（类别），机器要做的就是从其中找出一个数值作为输出。
判断一封邮件是否属于垃圾邮件（已经给机器设定好了选项，机器通过函数计算给出选项）
输入：一封邮件
输出：是垃圾邮件/不是垃圾邮件
- AlphaGo 也是一个分类的问题，只是给他设置的选项比较多，有多少个格子就会设置多少个选项（19*19）
3、结构化学习（Structured Learning）：产生一个有结构的物体
让机器生成一个图片/文章
输入：你的要求
输出：一个符合你要求的文章/图片
二、案例学习
通过今天的点阅次数等数据推测明天的观看人数
机器学习找函数分为3个步骤：
1、假设函数是 y = b + wx （只是猜测，不一定对）
y = 明天的观看人数 （要预测的东西）
x = 今天的观看人数 （已知的）
b、w是未知数，需要通过资料找出的（假设今天观看人数是明天的多少倍，所以需要乘上w，但是不是每天的倍数都一样，所以加上一个b来修正）
w:权重（weight） b:偏值（bias）
- 未知数可以称为领域知识（domain knowledge）：对预测事物的猜测
- 带有未知数的函数叫模型 （model）
2、 定义损失（loss）
损失 L（b，w）：与b，w有关，且b,w作为L的输入。L的这两个值反映了预测值的好坏。
L（0.5k，1） y=b+wx -> y=0.5k+1x
如何计算Loss？
--从训练资料进行计算（过去的数据）
假设过去某天的观看人数是5k，将这个作为x带入y=0.5k+1x（L的值是我们设定好的），计算y的值（预估值），用这个估值和当天真正的观看人数z（真实值Label）做对比，看它们的差距e=|y-z|（差值），就可以知道这个L值的好坏。
算出一个时间段内每天的差值，并求出他们的平均数 P，P越大说明L的这组参数越不好，P越小说明L的这组参数越好。
- 根据过去真实的值绘制了一个关于b，w的图，越靠近红色差值越大，越靠近蓝色差值越小
3、找出最优解，给出一个w和b，让L的值最小。---梯度下降法（gradient descent）
先假设只有一个未知数w，b是已知的，可以绘制出一个曲线
需要找一个w值让L最小，需要先随机选一个值w0，计算当w=w0时的微分是多少（该点上的切线的斜率k），若k<0,说明这条切线左边比右边高，此时提高w的值（k越大，w值提的越高），就可以让k慢慢趋近于0，从而使L变直，若k>0，反之。
反复同样的操作，不断移动w，最终会停下来，停下来有两种可能。
- 自己不想在再试验了
- 理想状态下，k（微分）= 0
现在计算两个未知数的情况，分别计算w和b对L的微分（斜率），重复上面的操作，更新w和b的位置。可以画出一个二维图。不断移动就可以找到一个最好的数值。
