一、机器学习的三个任务

1.regression

        regression是回归分析，是机器学习中用于预测连续数值输出的监督学习方法。相当于是找一个函式的任务，建立输入变量与输出变量之间的数学关系模型，输出实数。

2.classification

        classification是分类，相当于一个选择题。我们已知有多个选项类别，通过训练数据学习一个模型，从而达到选择其中一类的效果。

3.structured learning

        structured learning是结构化学习，他不向前面两种任务，这种任务相对而言更为复杂，需要找一个函式去拟合，但是需要出去一个有结构性、关联性、顺序性的物体。

二、找函式的三个步骤

1.先找一个初步的函数

        在构建自媒体流量预测模型时，需基于历史浏览量数据建立数学表达式。先初步找一个假设模型，如,该模型通常包含待定参数，用于描述流量随时间或其他变量的变化趋势。

2.找未知参数的函数

        现在我们已经找到了一个函数，但是这个函数里面有两个未知参数，这两个参数的取值情况将直接影响到函数的拟合情况。我们将这两个参数设置成一个带未知参数的函式L(b,w)，这个函式即为loss function。Loss用于判断这个Loss function（损失函数）取值情况的好坏。loss越小，证明取值越好，拟合情况越好；反之，当loss越大的时候，这个曲线的拟合情况越差。

        那么如何来取得这个loss的值呢？这个时候就要应用到训练数据label，这些label都是已知且正确的数值，loss的计算即计算平均误差（预测值与真实值差距），具体计算方法如下：

----->MAE(绝对值损失)

----->MSE(均方误差)

Loss:

        其中y为真实值，为预测值。

3.解决最佳化问题（optimization）

        深度学习优化算法，其核心目标是调整模型参数以最小化损失函数。常见的优化方法包括梯度下降及其变种、自适应学习率算法等。现在我们来讲gradient descent，即梯度下降算法。

        梯度下降是最基础的优化算法，通过计算损失函数关于参数的梯度来更新参数：

其中是学习率，也称作步长，可以由自己设置；

是梯度，即函数对各个变量的偏导。

当导数为零时，对应的点是局部最小值（local minima）；真实的loss最优解称为全局最小值（global minima）。