文章目录
机器学习定义
实例
1设计无人驾驶机动车
说明：
首先可以罗列一个数据库，即对于汽车什么场景做什么动作。
在实际驾驶中，当遇到什么实际场景时，即调用数据库中的相应规则进行相应决策。
2监督与无监督学习
说明：
1 给定一些图片数据，即矩阵存储一些图像，作为样本，有x1—y1 x2–y2等数据，即告诉样本数据，并将对应的标记y值也已知，选择一种算法模型f（x，n）,通过不断迭代选出最优参数n，即根据x与y值训练出的模型称为有监督学习。
2阅兵这个新词，阅的概率，兵字出现的概率，以及两个的联合概率相等时，即一定独立，若在一定阈值内说明两者不等，即不独立，即说明之间有一定关系。即只是告诉了一些文本数据，但并未有标记值，即最后却学习到一个新词阅兵，即为无监督学习。
3半监督学习有一部分数据有标记，一部分没标记。
4例如小孩子学习走路，不是教他必须怎么弄胳膊走，而是放在软地毯上让他自己学习走路，若有个姿势摔倒了，则它自然会换成另一个走路姿势，即不断摔不断反馈，即为增强学习。
机器学习建模过程
思考说明：
1这个模型如何建立的，是选择线性还是非线性模型
2目标函数可以用平方和还是3次平方和，还是4次方，或者绝对值作为目标函数还是损失函数。
3如何让模型一直好的学习下去呢，即参数沿着什么样的变化路径，让参数从初始参数值经过一步步如梯度下降，牛顿法迭代，等不同速度的算法进行迭代。
注意：
1参数可以自己学到并计算出来。
2超参数不可以自己计算出来，必须通过人工或某种方法进行调参数，这种调参又如何做呢？
机器学习一般流程
模型建立过程：
1数据收集，数据清洗，提取一些特征向量，选择合适的特征如：房屋面积，朝向，楼层，接着选择某一种算法如线性回归，支持向量机，做出基本模型，接着让损失函数最小得到最优参数。
2用新的数据进行模型计算，得到预测值。
最优参数选择
从图中可以看出，随着参数不断优化，损失函数值越来越小，回归曲线即模型逼近的会越来越好。
学习率：
即选定初始点，方向向量，有个步长即为学习率，这个值可能是变化的。
一般：大的学习率即下降快但不稳定，小的学习率下降慢一些，但稳健。
数学基础
1对数知识
以下数组一定是递增的，且有上界。
以下就是两边夹，就是将n换成x就可以理解两边夹了，用n只是为了求极限好求。
2导数
对于复杂度一般是按照指数或者对数这种来的，加减个常数不能算在复杂度里面，ln与lg复杂度是一样的。对数复杂度比线性高，所以两者取高的一个复杂度作为这个的最终复杂度。所以复杂度取对数复杂度即第一项了。
3泰勒公式
4方向导数
5 GammaT(x)函数
6凸函数
割线不断逼近逼近就是切线了。
7概率论
结论：