机器学习概念
就是使计算机模拟人类的学习过程，通过分析大量数据，完成任务，处理问题。这个过程简单来说就是，使计算机寻找到一个函数，构建起一个模型，通过数据使模型准确化，便于输出目标结果。
机器学习类型
机器学习根据其所需完成的任务不同，需要寻找不同类型的函数。
类型一：回归（Regression）
从各种不同或相同类型的文件中提取并分析信息，最终输出目标数值的函数类型。
类型二：分类（Classification）
给计算机提供两种或多种不同的选项（类别class），使其通过分析选出正确的一个。
举例：机器人下围棋，AlphaGo从棋盘中选择出最适合的落子位置。
类型三：结构化学习（Structure Learning）
让机器产生有结构的东西，例如：文章，图像等。
机器学习步骤
1、构建模型函数
假设出一个含有未知参数的函数，猜测数据分析所需函数大致长什么样。
以线性回归（Linear regression）为例：y=b+wx，其中“b”为偏置（bias），“w”为权重（weight）。
2、定义Loss
概念：Loss是一个自己定义的函数，其输入为L（b，w），输出为对应的L（b，w）下的Loss的数值，用于反映构建的模型函数与真实数据的贴合度，便于寻找到最准确的函数。
操作：（1）在y=b+wx中，取不同组L（b，w），在每一分组下分别带入x1、x2、x3……将得到的y（估计值）与yˆ（真实值）比较差距，可设e=|y − yˆ| 平方绝对误差[mean absolute error(MAE)]或e=(y − yˆ)²均方误差[mean square error(MSE)]，若y与yˆ均为概率分布，则选交叉熵（Cross entropy）。
（2）设Loss：L=1/n∑en
（3）在误差表面图（Error Surface）中找到最准确的b，w。
3、最佳化
找到一对b，w使Loss最小。采用方法：Gradient Descent（以下以参数w为例）
（1）随机决定一个w0。
（2）计算w=w0时w0参数对Loss的微分（该点的切线斜率）
斜率为负-----右移-----w变大
斜率为正-----左移-----w变小
（3）计算移动幅度
①|斜率|越大，幅度越大
②η[学习术语（Learning rate）]（由自己设定→hyperparameters）
η越大，参数搭配量越大，移动幅度越大，学习越快。
（4）由公式算出w1，不断寻找最小的Loss对应的w
注：1、看似可能存在局部极小值的问题，但实际一般不会出现这样的问题。
2、Loss函数可由自己定义，可能存在为负的现象。
（5）预测并分析对比数据
在找到函数中的较精准参数数值后，输出预测数据，并经过一定时间的记录测算，对比预测数据与真实数据的差异，增加带入数据，不断优化函数，减小Loss，直到Loss不再改变，达到极限。
标签：task1,机器,函数,Loss,AI,李宏毅,学习,-----,类型 From： https://blog.csdn.net/Miss569284/article/details/141527911