视频链接
基本概念
Regression（回归）：
类似于填空
Classification（分类）：
类似于选择
Structure Learning（机器学习）：
？？
机器学习找对应函数的步骤
1、写出一个带有未知参数的函数
Model（模型）：一个函数，比如y = b + w * x1（y是要预测的，x1是已知的）
weight（权重）：上述中的w就是权重
bias（偏移）：上述中的b就是偏移
2、定义训练数据的损失函数
loss（损失函数）：一个函数，输入是模型中的参数 L(b, w)，输出的值代表这组b,w好还是不好，值越大，代表b,w越不好
MAE（mean absolute error）: 均值绝对误差
MSE（mean square error）: 均值方差
Cross-entropy：如果预测值和实际值都是随机分布的，则使用这种方式查看损失值
label（真实值）：真实的值，类似于训练数据
Error surface（误差面）：等高线图
3、Optimization（优化）
找一个w和b，使得Loss结果最小
Gradient Descent(梯度下降）
Learning rate:学习速率 n
hyper parameters:超参数 自己设定
local minima局部最优
global minima全局最优
梯度下降有个问题就是容易导致局部最优？其实局部最优是一个假问题！
上述说的只是一个参数的情况，实际上多个参数也是一样的做法
由线性模型推广至非线性模型
前面的步骤统称训练，实际上都是基于已知数据进行的，我们的目的是要通过这个式子预测新的数据
为此，我们应该修改模型，以7天为一个周期来预测
linear models:线性模型，下面如图，就是考虑不同周期对应的线性模型
model bias:模型偏移
与之前说的bias不一样，这里说的是模型本身的限制导致没办法模拟真实的情况
所以我们需要一个更复杂的有未知参数的函数来替代线性模型
piecewise linear curves:分段线性曲线
这里面哪怕红色线不是线性的，而是曲线的，我们也可以通过微分的方式，选取足够多的点将其看成是线性的
那蓝色线的函数该怎么写出来呢，有一个很出名的函数叫做sigmoid，虽然是曲线，但是很接近蓝色线
sigmoid：S型线段对应的函数
而蓝色线的函数我们一般将其称作hard sigmoid
通过调整c、b、w这三个值，我们可以得到不同的sigmoid函数，从而逼近不同的蓝色线
所以上述的红色线可以通过以下公式逼近：
单个特征推广至多个特征
改写机器学习的每一步
1、函数式子转矩阵
上述多个特征的式子可以转成用矩阵的方式表示
上述已经知道r表示什么，再用a表示sigmoid®
所以最终式子y可以转成向量的表示方式如下所示
总结：
transpose:矩阵转置
重新定义一下未知参数
2、重定义Loss函数
3、优化
优化步骤没什么区别，还是用梯度下降，唯一就是参数变了，本质上还是前面w,b两个参数的时候情况是一样的
为什么要分一个个Batch？
下次课解释
数据、BatchSize、epoch、update之间的关系如下：
拓展——模型变型
模型不一定是要用sigmoid，也可以用其他的模型，比如ReLu
上述函数统称为激活函数（activation function）
神经网络 OR 深度学习
Neuron：神经元
Neuron Network：神经网络
由于这个名字被搞臭了，所以换了个名字
layer：层
Deep Learning：深度学习
本质上是一个东西
为什么不把network变胖，而是将其变深？？？
过拟合
over fitting
)
