我们首先讨论的是监督学习。
监督学习给出了样本，这节课我们分析一下样本和特征的关系。
1.特征
特征是需要被量化的，比如颜色，价格，而不是某种东西的“好看程度”，这不是特征。
很多个特征组成了某个物体，比如物体A
即A：{x1,x2,x3…….Xn}
2.样本
样本分为有标签样本和无标签样本，区别在于，无标签样本没有标签，但有特征。
有标签样本是监督学习的主力军。
3.模型
所以，样本包含了特征x，和标签y，最后我们需要用无标签样本（with x），去预测y。
而模型，就是用来联系x，y 的一个函数。
4.特征与标签
判断一个电子邮件是否是垃圾邮件，对于邮件的标题，是一个优质特征，而不是一个优质标签。
5.回归与分类
回归模型可预测连续值。
例如：
加利福尼亚州一栋房产的价值是多少？
分类模型可预测离散值。
例如
某个指定电子邮件是垃圾邮件还是非垃圾邮件？
这是一张狗、猫还是仓鼠图片？
6.梯度下降法
https://developers.google.cn/machine-learning/crash-course/reducing-loss/gradient-descent
7.两种简单判断损失的方式，
一种是（误差-实际值）^2,简单的惩罚措施，鼓励误差小于1】
第二种是类似于方差的计算方法。
下面这张图表示了惩罚措施的importance：误差为1的4个点，比误差为2的两个点的loss小得多。
8.面对大数据的梯度下降法