1、深度学习是什么
深度学习和机器学习的区别（仅个人理解）：
（1）深度学习是机器学习的一个子集
（2）深度学习利用多层神经网络从大量数据中进行学习
狭义的机器学习：除去深度学习的机器学习
一般是基于数学，或者统计学的方法，具有很强的可解释性（就是说得通，有道理，令人信服）。
经典的传统机器学习算法：KNN, 决策树，朴素贝叶斯......
KNN： K最近邻居（K-Nearest Neighbors，简称KNN）
一种监督（有标签，比如把人分成北大和清华的）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。
KNN的工作原理可以概括为以下几个步骤：
（1）距离度量：KNN使用距离度量（通常是欧氏距离（三维空间））来衡量数据点之间的相似性。
（2）确定邻居数量K
（3）投票机制
决策树
假如没有垃圾关键词的邮件中有垃圾邮件该怎么办？：添加特征
决策树不善于处理未见过的特征
朴素贝叶斯
-
y = c_k：表示"交通方式是飞机（或火车、自行车）"
-
x：表示"到达了 B 地"
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
深度学习
神经网络的任务
常见的神经网络的输入， 一般有三种数据形式。
我们想要的输出(任务类别)一般也有下面几种。
深度学习任务
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？
（1）定义一个函数
（2）计算LOSS
（3）根据LOSS对模型进行优化
Loss的大小就衡量了我们选择的这个函数的好坏。
当w_0处的导数大于0时：往左走
当w_0处的导数小于0时：往右走
至于这一步走多长：
导数越大可能离得越远，那就多走一些。
导数越小可能离得越近，那就少走一些。
超参数：人为规定的参数
学习率不能太大也不能太小：
（1）太大：容易走过头
（2）太小：走太慢
