1、机器学习是什么
找一个复杂的函数，通过机器去帮我们找。比如输入是一张图片，输出是识别图片是cat（影像辨识）。输入是当前棋子的位置，输入是下一步的位置（playing go)。输入是一段声音，输出是文字（语音辨识）。
2、机器学主要有三大类函数：
regression、classification、featured learning
regression：输出是一个数scalar
classification：输出是我们给的选项classes yes/no 棋盘上19*19个class
structured learning：机器产生有结构的文件，学会创造这件事情 生成一个文档，一张图片，一个视频
3、具体一个实例（线性模型linear model）
①写出一个带有未知参数的函数（model）（这是一个猜测）（我们常听见的模型即是：带有未知参数的函数）
②定义损失函数Loss：它的输入是函数的一组参数。计算Loss通过过去的训练数据。看哪组参数好
label：指真实的值
一般定义损失函数的计算可以是MAE(Mean Absolute Error)、MSE(Mean Square Error)
4、求参数的最优值
梯度下降法Gradient descent
对参数求偏导，初略理解为斜率，当斜率大于0时，减小这个参数会让L变小，当斜率小于0时，增大这个参数会让L变小。这也不难理解为什么更新参数的公式会是在偏导项前是负号了。
超参数：需要自己设定的参数，与我们通过训练数据寻找的参数不同，比如：学习率、更新迭代的次数都是超参数。
5、机器学习总结
写一个带有未知参数的函数y
定义损失函数L
根据损失函数求最优参数 argminL
6、调整
函数y只是一种猜测，不一定就符合我们真正要找的函数。所以根据一轮的结果去调整！比如：线性模型，不只用一个feature特征，用多个X1,X2,X3......
实例中：观察到具有周期性变化规律，所以进一步调整特征为前7天的观看人数，来预测隔天的观看人数
当特征进一步增加的时候发现L不再变化，说明已经到一个极限了。
