一、概念:
1、机器学习概念:
机器学习 ≈ 训练生成一个函数f(.) ，这个函数相当复杂。
例如：
2、深度学习概念：
机器学习的目的是寻找一个满足需求的函数f(.)，但是具体使用什么方式寻找f(.)没有说明。
深度学习为机器学习领域的一个子领域，故深度学习给出了寻找函数的方法，即通过“神经网络”来训练生成一个函数f(.) 。
例如：
二、深度学习中f(.)的输入和输出：
1、输入：
函数f(.)的输入可以是向量、矩阵、序列，根据不同场景使用不同的输入。
- 向量
- 矩阵：图像识别领域，一张图片可以转换成矩阵表示
- 序列：序列预测、语音辨识、文字翻译领域输入可以转换成序列表示
2、输出：
根据不同任务需求f(.)的输出不同。
- 数值
- 类别：分类任务
- 句子、图片：翻译任务、图片生成
三、三种机器学习任务：
1、Regression回归任务介绍：
函数输入：过往PM2.5数据以及影响PM2.5的特征值
函数输出：预测未来PM2.5的值
2、Classification分类任务介绍：
函数输入：棋盘中黑子白子位置
函数输出：从19*19个选项中选择下一个落子位置
3、Structured Learning创造性学习：
函数输出：图片、文档等有结构的文件
四、机器学习步骤（模型训练阶段）：
这里以回归任务为例：目标是根据2/25日浏览量数据预测2/26日浏览量数据。
第一步：定义一个含有未知参数的函数（以线性函数为例）：
以最简单的线性回归函数y=b+Wx为例（当然机器学习的函数基本上不会这么简单）：
- 函数y=b+Wx即为平时称呼的模型
- x为函数输入，输入的是2/25日浏览量数据
- y为函数输出，输出的是未来2/26日浏览量数据
- w和b都是超参数，初始为位置数，在模型训练过程中不断更新参数使得函数的输出值不断精确（模型训练阶段的最终目的是：训练集训练+验证集预测过程不断更新w和b），力图训练一个预测效果最优的模型
- 其中w为x的权重，b为偏置值
第二步： 定义损失函数：
损失函数L(b,w)是一个已写好的函数，用于模型训练阶段每次更新超参数w和b时都会在验证集上使用该组w和b计算预测值，然后比较预测值和真实值的差异(损失)，从而衡量本组训练得到的超参数w和b是否能使得模型预测效果最优。
- 损失函数的输入为超参数b和w
- Loss越大，即表示当前的一组b和w越差，Loss越小，即表示当前的一组b和w越优秀。
第三步： 寻找最优的w、b使得Loss最小：
1.梯度下降：
使用梯度下降法不断更新w和b，使得每次获得一组新的w和b(wn和bn)。
不断执行第二步和第三步使得获得最优的w和b(w和b)。
- 其中η为学习率，用来控制梯度下降的快慢程度，也是一个超参数。
五、线性函数和复杂函数：
1、线性函数定义：
同(五)，以最简单的线性回归函数y=b+Wx为例（当然机器学习的函数基本上不会这么简单）：
- x为函数输入，输入的是2/25日浏览量数据
- y为函数输出，输出的是未来2/26日浏览量数据
- w和b都是超参数，初始为位置数，在模型训练过程中不断更新参数使得函数的输出值不断精确（模型训练阶段的最终目的是：训练集训练+验证集预测过程不断更新w和b），力图训练一个预测效果最优的模型
- 其中w为x的权重，b为偏置值
2、非线性函数定义：
线性函数y=wx+b不管超参数w和b如何变化，函数始终是一条直线，所以线性函数在处理具有复杂关系的xy时不适用。
- 对于复杂函数，我们可以用简单的蓝色函数（Hard Sigmoid函数）叠加的方式来获得一个复杂函数，如下图所示：
- 对于曲线函数，我们可以对曲线每段取微分，每个微元看做是一个蓝色函数（Hard Sigmoid函数），无数个蓝色函数叠加也可以获得任意的曲线函数。
3、如何表示出Hard Sigmoid函数：
各种曲线都可以通过蓝色函数(Hard Sigmoid)的叠加来表示，那么Hard Sigmoid函数又要如何表示？
有一种函数叫做sigmoid函数，该函数可以逼近任何的hard sigmoid函数,所以一般使用sigmoid函数来表示hard sigmoid函数。
从sigmoid函数的公式可以看出：
- 通过改变w可以改变函数的斜率
- 通过改变v可以改变函数的位置
- 通过改变c可以改变函数的高度
因此，通过不同的sigmoid函数叠加我们可以获得任意的函数曲线。
4、对(四)中案例的深入理解（以非线性函数为例）：
(四)中我们以线性函数y=wx+b为例，假设x和y是线性关系。其中x输入为2/25日浏览量数据，y输出为2/26日浏览量数据。而在现实中x和y不可能是简单的线性关系，那么函数应该如何表示？当然是使用我们的sigmoid函数：
进一步设想，案例中我们用2/25日浏览量数据预测2/26日浏览量数据，属于单特征，此时仅有一个输入x和一个输出y，如果我们输入数据为多特征，即要用2/01~2/25这25天的浏览量预测2/26日浏览量数据，函数应如何表示？很简单，数据中有25个特征，每个特征xi与y之间都有一个权重值wi， 因此多特征预测单变量的线性函数关系和非线性函数关系表示如下：
文章来源：https://www.toymoban.com/news/detail-834074.html
5.多特征预测单变量+非线性函数：
下面我们举个例子来深度理解多特征预测单变量+非线性函数文章来源地址https://www.toymoban.com/news/detail-834074.html
到了这里，关于机器学习基本概念（李宏毅课程）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
