1.基于模型的學習

?????? 根據以往的學習經驗，建立起輸入輸出的模型，然后預測輸入，并且將輸入帶入到模型中，進而預測出輸出的結果，這種學習稱為基于模型的學習

2.機器學習的過程

1）數據收集：通過爬蟲、設備采集等方式進行數據的采集
2）數據清洗：對數據進行規范化，誤差大、無意義的數據我們得刪除
3）選擇模型：建立解決問題的算法
4）訓練模型：將建立的模型進行訓練，使其達到最優
5）模型評估：對模型進行驗證
6）測試模型：在測試環境下對模型進行測試驗證
7）應用模型
8）模型維護

3.機器學習的基本問題

1）回歸問題：根據某種性能最佳的模型，將未知的輸入輸出帶入模型，得到連續的輸出
2）分類問題：同上，得到離散的輸出
3）聚類問題

4.機器學習的核心問題

1）建模問題：根據已知條件得到模型，如根據離散點得到y=x
2）評估問題：損失函數=預測值-真實值，將損失函數（loss function）優化到最小，則說明預測值最接近真實值；

①均方差=真實值與預測值的差的平方和再處于真實值的個數，均方差E即為損失函數，對其求導，當導數為0時，即得到損失函數取得函數極值時自變量的值
②交叉熵

3）優化問題：通過對數據的反復錘煉，梯度下降法

loss function = f(x,y)

?

5.線性回歸

1）概念：一種通過已知自變量和因變量的關系，創建一個最優的線性關系模型，如下圖，求出w0、w1,函數，隨機給一個未知的x，就可以求出對應的f(x)值

2）思想：創建模型，找到最優的參數，而得到最優參數的方法，有迭代法和梯度下山法
以下是一個做線性回歸的代碼示例


樣本：

代碼：

?

?

?

?

?

?

?

?

?

?

?