机器学习简介

先说点废话
最近入职之后一直在做一些机器学习相关的东西，通过一段时间的磨练也算是学到了不少东西（这里强烈推荐吴恩达老师的机器学习、深度学习的视频，对于初学者来说真的非常友好），所以打算开始写一个机器学习系列的博客，包括各种算法、损失函数、优化器等等，算是对自己最近学习的一些总结，同时也希望能够给大家带来一些帮助。这篇主要是做一下机器学习的简单介绍，后续的博客会慢慢深入的讲，如果有什么错误的话希望大佬们不吝赐教。就不多说废话了，上干货！
什么是机器学习
百度百科上机器学习的概念说的很吓人，其实他的概念很简单。下面我用我们更容易理解的方式来聊一聊。
我们知道现在比较常见的就是使用机器学习算法来进行预测。现在有一个函数y=f(x)，这个函数其实就一个机器学习算法，在这个算法中，每个x值都有与之对应的一个y值，当我们在做预测的时候，通过给出的x值就可以预测出他的y值。
那么算法的学习过程在哪里呢？在一开始的时候，我们会给x指定了一些初始的参数，这些初始的参数基本上是不满足条件的，学习的过程就是在不断的调整参数，使它慢慢接近那个正确的参数。至于它是如何调整参数至接近正确的参数，这个我们以后再聊，现在只是简单介绍一下。
一个小例子
我们先做一些模拟数据：

我做的这些数据大致满足y=3x，一共有50个数据点，在最开始的时候初始的参数可能是0.1，y=0.1x显然是不能模拟这些数据的，学习的过程就是在不断的调整参数至不断接近3的过程，当拟合的差不多的时候，我们就有了一个比较好的模型，假如现在有一个新的x=20，我们可以大致猜测出这个x对应的y值为60，这个就是机器学习的一个大概的过程。我把拟合的直线和散点图放在一起大家可以看一下:

代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

x = np.linspace(0,10,num=50)
noise = np.random.uniform(-1,1,size=50)
y = 3 * x + noise
y1 = 3 * x
plt.figure(figsize=(5,5))
plt.scatter(x,y)
plt.plot(x, y1, color="r")
plt.show()