参考课程：
李哥深度学习实战
- 人工智能:机器展现的人类智能
- 机器学习:计算机利用已有的数据，得出了某种模型，并利用此模型预测未来的一种方法。
- 深度学习:实现机器学习的一种技术
生活中一个常见的例子：
当你打算注册一个账号，系统会弹出一个验证是否是真人的滑动框：
我们滑动对应拼图的时候是根据日常经验来完成的，那么对于机器来说他看到就是一个向量，想让他完成拼图就需要深度学习。现在的大模型都是几亿几百亿的参数，人的经验是有限的，而这些数据只要在合适的训练下可以被大模型迅速识别输出，这就是机器学习的优势。
机器学习
机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。
计算机从数据中学习出规律和模式，以应用在新数据上做预测的任务。
机器学习算法可以按照不同的标准来进行分类。比如
- 按函数的不同，机器学习算法可以分为线性模型和非线性模型;
- 按照学习准则的不同，机器学习算法也可以分为概率模型和非概率模型。
一般来说，我们会按照训练样本提供的信息以及反馈方式的不同，将机器学习算法大致分类为有监督学习、无监督学习和弱监督学习。（所谓的监督，你可以理解为一个标签） 
分类问题（监督学习） ：
• 根据数据样本上抽取出的特征，判定其属于有限个类别中的哪一个
• 垃圾邮件识别（结果类别： 1 、垃圾邮件 2 、正常邮件）
• 文本情感褒贬分析（结果类别： 1 、褒 2 、贬）
• 图像内容识别（结果类别： 1 、喵星人 2 、汪星人 3、人类 4 、草泥马 5、都不是）
你可以看成是选择题。
回归问题（监督学习） ：
• 根据数据样本上抽取出的特征，预测连续值结果
• 电影票房值
• 魔都房价具体值
• 刘德华和吴彦祖的具体颜值得分
你可以看成是填空题。
聚类问题 ( 无监督学习 ) ：
• 根据数据样本上抽取出的特征，挖掘数据的关联模式
• 相似用户挖掘 / 社区发现
• 新闻聚类
强化学习 ( 弱监督学习 ) ：
• 研究如何基于环境而行动，以取得最大化的预期利益
• 游戏 (" 吃鸡 ") 最高得分
• 机器人完成任务
K最近邻居（K-Nearest Neighbors）：
简称KNN，一种监督学习算法，用于分类和回归问题。它的基本思想是通过测量不同数据点之间的距离来进行预测。
现在要判断小明是清华的还是北大的取离他位置最近的 100 个人出来， 100 个都是北大的------推测小明来自北大
取离他位置最近的 100 个人出来， 89个都是清华的------推测小明来自清华
取离他位置最近的 200 个人出来， 111 个都是清华的， 89个北大的。------推测小明来自清华
取离他位置最近的 200 个人出来， 180个都是川大的。------推测小明来自清华或北大，但不能是川大，因为输出集中没有川大这个选项
" 近朱者赤，近墨者黑"
机器学习
机器学习，具有数学上的可解释性，但准确率不是百分百，且不灵活。
对于象棋来说，你可以使用多重if......else......循环来穷尽，这是传统的系统可以做到的。
但对于围棋来说ifelse是无法穷尽的，让你写一个程序实现是不可能的，如何让机器自己学习，这就是深度学习实现的机器学习。
深度学习就是找一个函数f。
设计一个很深的网络架构让机器自己学。
他是怎么学的，我不知道，只要答案是对的，就没毛病，中间过程要多复杂有多复杂，但我不需要知道这个函数，这就黑匣子。
神经网络
常见的神经网络的输入， 一般有三种数据形式
1 ： 向量：比如说一个人的身高、体重、财富（ 180 ， 140 ， -1000）
2 ： 矩阵/张量 ：一个像素点是RGB向量，一张照片就是一个矩阵
3 ： 序列： **按时间顺序或特定顺序排列的数据，单个数据没有意义，必须是前后有关系的数据，**常见于自然语言、时间序列、音频、DNA序列等领域。
这是一张图片，第一个像素点是由（a11，b11，c11）组成
序列：但把"你"字拎出来是没有意义的，必须放到句子中，前后关系中才能推断出实际含义
输出 ( 任务类别 ) 一般也有下面几种：
1 ： 回归任务（填空题）： 根据以前的温度推测明天的温度大概有多高 。
2： 分类任务（选择题）：判断图片： 猫/狗、分类时， 是用数字来表示类别，比如猫0/狗1
3：结构化任务（简答题）：deepseek
根据种子的大小，重量等属性预测发芽概率------输入向量（大小、重量等）输出（回归任务）
根据视频生成字幕------输入序列（音频）输出（结构化任务）
自动填充代码。------输入序列（代码）输出（结构化任务）
判断图片中人物是谁。------输入矩阵（图片）输出（分类任务）
根据内容判断两部动漫是否为同一部。------输入序列（音频）输出（分类任务）
判断动漫声优是否为同一个人。------输入序列（音频）输出（分类任务）
判断淘宝商品的配图和文字标题是否是一致的？------输入序列（文字、图片）输出（分类任务）
圈出图片中的羊，并且识别为羊。------输入矩阵（图片）输出（圈出羊是回归任务、识别羊是分类任务）
根据车摄像头看到的画面，把人，路，车的轮廓准确的画出来。------输入矩阵（图片）输出（结构化任务）
ChatGPT------输入序列（文字描述）输出（结构化任务）
以上你已经对深度学习有了基本认识，你可以发现：分类和回归就是结构化的基础。
当你需要多个类型的数据时，就是多模态了，比如 图片， 文字， 声音
回归与神经元
大家都说深度学习需要数据，为什么？ 因为要从数据中找到函数
如何从数据中找到想要的函数？ 实践和认识的辩证运动：实践、认识、再实践、认识
如何开始深度学习？
第一步：定义一个函数f（模型）
第二步：定义一个合适的损失函数（loss）
第三步：根据损失函数，不断调整模型，优化模型
如何找一个函数呢？
这是一辆小车，x表示时间，y表示当前速度，我们只有多组的（x，y）值，如何推断出y和x之间的函数关系？
我们可以先假设一个最简单的线性模型，通过调整权重和偏差来优化模型，优化的标准就是loss函数，如果预测的值和实际的值最接近，说明函数优化调整越接近真实函数。
Loss 就是这些未知参数的函数。
Loss: 判断我们选择的这组参数怎么样。
loss最小值就是优化最佳值
现在我们选取 𝑤 0 = 3、 𝑏 0 = 2 ，计算出每组数据对应的loss值，取平均得到的loss值为4.8，误差较大，需要优化
优化是盲目的取w和b吗？ 求偏导
明确目标：我们要找的是loss最小值
如果求出来的偏导大于0，说明随着w的增大，loss随之增大，应该减小w
如果求出来的偏导小于0，说明随着w的减小，loss随之增大，应该增大w
在不断的尝试中，loss趋于最小，函数趋于最优解
w增大或者减小多少呢？
超参数是不变的，事先人为决定的
梯度大，移动的远，梯度小，移动的近
定义一个函数
有 torch 框架可以帮我们自动计算。
（模型）
线性函数与多层神经元
现实中的问题，往往不是一个线性函数就能解决的，我们引入多层神经元
神经网络通常由多层神经元组成，主要分为输入层、隐藏层和输出层：
- 输入层（Input Layer）：接收原始数据输入，每个输入节点对应数据的一个特征。
- 隐藏层（Hidden Layer）：位于输入层和输出层之间的一层或多层神经元。隐藏层对输入进行非线性变换和特征提取，使得网络能够学习到更复杂的模式和表示。
- 输出层（Output Layer）：输出层的节点产生最终的模型输出，通常对应任务的预测结果。例如，在分类任务中，输出层的节点表示各个类别的预测概率。