机器学习周报（6.24-6.30）

摘要

本周学习了李宏毅老师的机器学习基础，通过一个入门案例认识机器学习的本质，函数的输入以及函数的类别有哪些，学习了training的三个步骤，包括简版和复杂版。以及神经网络的结构，深度学习正向传播计算模型的误差值、反向传播可以帮助我们有效的进行渐变迭代计算（帮助计算梯度）。

一、入门案例

机器学习的本质是找一个Function，比如，做一个语音识别文字这个函数的输入就是一段语言，其输出是对这段语音内容的识别；做一个图像识别，如识别图片内容；就是要基于人类的想法实现人类想要的输入、输出的结果。

找的Function不同，机器学习也有不同的类别

• 回归（Regression），函数的输出是一个数值。
  例如根据今天的PM2.5,气温以及臭氧的含量预测明天的PM2.5。
  

• 分类（Classification），人类先准备一些选项（称为类别,class），函数的输出为从前面的选项中选择正确的输出。
  例如：用户在收到邮件时，判断这一封邮件是否为垃圾邮件，给出Yes/No，Classification可以又多个类别。
  

• 结构化学习（Structured Learning） 让机器来创造

二、How to find a function

通过YouTube视频后台用户点击次数的预测为例子简单学习如何找到这个函数

1.Function with Unknown Parameters

首先要找一个带有未知参数的参式，这个Function称为Model，X(特征，feature)是从领域知识（domain knowledge）获取的已知数据，w即weight权重，b为bias.

2.Define Loss from Training Data

Loss也是一个function，输入是上面Model中的w和b,记作L(b,w);该函数的输出的意义是这一组b和w的数值到底好不好。

Traning Data

• step1 选取参数b=500,w=1;
• step2 利用该参数和Model y=b+wx计算出某一天的视频点击量的预测值，计算出预测值跟那一天的实际值(label)做差取绝对值记作e;
  
• step3 计算出Loss值，Loss的值越小，即预测误差越小，代表当前取的（b,w）参数