机器学习与深度学习介绍（一）

人工智能：能够感知、推理、行动和适应的程序。

机器学习：能够随着数据量的不断增加不断改进性能的算法。

* 机器学习其实就是统计学习方法的演化，掰开来全是统计学上的东西，可解释性比较强，几个经典的算法比如KNN, 决策树，朴素贝叶斯

* KNN：监督（数据带标签），用于分类回归，但KNN和感知机有什么不同点？
* 决策树：原理跟二叉搜索树差不多，用于分类
* 朴素贝叶斯：后验估计，这里举例的是坐飞机

*机器学习算法介绍：风中摇曳的小萝卜

深度学习：机器学习的一个子集；利用多层神经网络从大量数据中进行学习。

别纠结深度学习和机器学习区别了，深度学习就机器学习的子集，就神经网络。

*深度学习：找到目标函数实现自变量到的映射，和可以是图片也可以是文字。

*常见神经网络的三种输入形式

视频也是序列

*常见神经网络的输出

回归，分类，生成（结构化输出）

随堂小测

如何开始深度学习？

关于Loss

一个很生动的例子：愤怒的小鸟，在这个例子中，Loss函数中的参数就包括弹出去的力度和角度。

计算Loss

很重要

优化Loss

求Loss的最小参数w和b

为什么要用偏导？因为需要把其他的当作常数

这里说一下细节，如果计算出来偏导为正，说明左低右高（说明此时w还不是极值点），即需要往左走。

Q1：怎么实现往左走？即用w本身减去学习率乘它的偏导

Q2：这步走多长？

（超参数，模型没有办法学习，调参之一）

一些经典的模型性能评估指标（MAE,MSE）可当作Loss值

 MAE(平均绝对误差，Mean Absolute Error)

MSE（平均平方误差，Mean Squared Error）

RMSE（均方根误差，Root Mean Squared Error）

感知机局限--无法实现异或门

优化流程

名词解释&问题示例

1.机器学习和深度学习的区别

2.分类和回归的区别

3.神经网络的输入形式

4.神经网络的输出形式

5.线性回归模型公式，即损失函数（loss），,,,的具体含义

6.超参数

7.最简单的神经网络（感知机）的局限性

8.常用实验结果评价指标及相应计算方法

9.为什么要用Anaconda?

10.为什么要用PyTorch？

本小节结束。