一、概念的理解
机器学习（Machine Learning，ML）:让机器具备找一个函数的能力，可以用来做语音识别，可以回答人们的具体问题，也可以和我们下围棋。
回归（regression）: 机器学习一种任务，就是通过所给的数据，比如时间，某些量的测量值等，去预测得到一个标量（scala）。
二、案例分析：
找函数的过程分为三个步骤：
1、写出一个带有未知参数的函数 f（），称之为模型，如何选择适当的模型往往要通过生活经验和对数据的观察。
2、求损失，损失（loss）就是每个预测值与实际值的差距e的均值。
其中平均绝对误差（Mean Absolute Error，MAE）：
均方误差（Mean SquaredError，MSE）：
如果y 和 yˆ 都是概率分布，可以选择交叉熵（cross entropy）。
用于评估模拟精度，计量反应损失，画出的损失等高线图称为误差表面。
3、解一个最优化问题，也就是想办法找到一组参数使得损失最小，模拟效果最好。 我用自己的话把步骤说一下：
1、找一个随机的参数，然后计算损失对一个参数的偏导。
2、如果偏导绝对值大，参数间的变化就可以大一点，反之就小一点。此外引入学习率n,也就是更新的速度快慢。
3、更新停止，两种情况，一个是找到了最值，也就是局部的最小值，当然不一定是真正的最优解，另一种情况就是达到了我们设定的更新数量的上限，这种情况的话要继续更新了。
因为不一定是真正的最优解，所以说梯度下降也是有一定的局限性，但我认为在某些场景下十分需要快速找到一个还可以的模型，梯度下降也是很有实用价值的。
这样我们就找到了一个模型，第一节的内容over！
