1.基于模型的学习

       根据以往的学习经验，建立起输入输出的模型，然后预测输入，并且将输入带入到模型中，进而预测出输出的结果，这种学习称为基于模型的学习

2.机器学习的过程

1）数据收集：通过爬虫、设备采集等方式进行数据的采集
2）数据清洗：对数据进行规范化，误差大、无意义的数据我们得删除
3）选择模型：建立解决问题的算法
4）训练模型：将建立的模型进行训练，使其达到最优
5）模型评估：对模型进行验证
6）测试模型：在测试环境下对模型进行测试验证
7）应用模型
8）模型维护

3.机器学习的基本问题

1）回归问题：根据某种性能最佳的模型，将未知的输入输出带入模型，得到连续的输出
2）分类问题：同上，得到离散的输出
3）聚类问题

4.机器学习的核心问题

1）建模问题：根据已知条件得到模型，如根据离散点得到y=x
2）评估问题：损失函数=预测值-真实值，将损失函数（loss function）优化到最小，则说明预测值最接近真实值；

①均方差=真实值与预测值的差的平方和再处于真实值的个数，均方差E即为损失函数，对其求导，当导数为0时，即得到损失函数取得函数极值时自变量的值
②交叉熵

3）优化问题：通过对数据的反复锤炼，梯度下降法

loss function = f(x,y)

 

5.线性回归

1）概念：一种通过已知自变量和因变量的关系，创建一个最优的线性关系模型，如下图，求出w0、w1,函数，随机给一个未知的x，就可以求出对应的f(x)值

2）思想：创建模型，找到最优的参数，而得到最优参数的方法，有迭代法和梯度下山法
以下是一个做线性回归的代码示例


样本：

代码：