机器学习
机器学习
机器学习就是自动找函数式
- 要问自己想要找什么样的函数，先去创建一个任务，regression和classification
- 不能只会做判断输出1、2，后面发展到需要generate生成有结构的东西
- 怎么告诉机器想要找什么样子的函数：supervised learning,而这需要labeled data，即标注数据集，即告诉机器想要得到的结果是什么样子
- 评估一个函数的好坏：函数的LOSS
- 下一步，期待机器会自动找出LOSS最低的函数
- 机器如何找到你想要的函数：Linear->Network Architecture：给机器一个函数寻找的范围
Supervised learning vs Reinforcement learning
- Supervised learning:监督学习，给数据需要标注
- Reinforcement learning:强化学习，给的数据不需要标注
Meta Learning = learn to learn 让机器学会学习
life-long-learning
- 终身学习
Regression
- 找函数
- 三步走 第一步，找一个model 第二步，定义function set，在function set中找到一个LOSS值最低的function goodness of function,判断此函数的LOSS值，如何判断：找一个关于此函数的函数，能判断此函数的LOSS值的函数，输入值为a function,输出值为how bad it is,能判断此函数的好坏的值 假设函数是： 对此函数的结果求方差（其中^y是求得的估计值，减去的是每一只宝可梦的实际值带入得到的值） 第三步，找到最好的function 找一个function，使得找到的L(f)最小，f* = argL(f) 或者找到一个w*,b*，使得argmin L(w,b)最小 第四步，Gradient Descent，目的是找到可以使LOSS值最小的wGradient Descent 暴力的做法是穷举所有的w,找到LOSS值最小的w 可以：随机选取初始的w0；构建横轴为w，纵轴为L的坐标系，在初始的w位置L对w的导数（切线斜率），如果切线斜率为负数，则随着w的增大，LOSS值减小，所以要增加w的值；如果斜率为正，则要减小w的值\frac{dL}{dw}|w=w0 增加/减小w的值应该有多大：1. 取决于dL/dw的值（切线斜率、导数）有多大，如果越大，越陡峭，移动距离就越大 2.取决于learning rate的值的大小（事先定好的一个常数），如果learning rate的值较大，踏出一步的时候，参数更新的幅度就比较大，则学习的效率、速度就比较快 w1 = w0 - \eta*\frac{dL}{dw}|w=w0 w2 = w0 - \eta*\frac{dL}{dw}|w=w0 经过多次iteration（迭代）之后就到达了local optimal(局部最优解)，此时在local optimal的点，算出的微分都是0了，不会再进行更新 当是两个参数时，w*,b* = arg minL(w,b) 思路相同，先选取两个初始值，w0和b0 然后在初始值位置求偏导\frac{\partial L}{\partial w}|w=w0,b=b0,\frac{\partial L}{\partial b}|w=w0,b=b0 更新，w1 = w0 - \eta*\frac{\partial L}{\partial w}|w=w0,b=b0,b1 = b0 - \eta\frac{\partial L}{\partial b}|w=w0,b=b0 进行多次iteration(迭代),就可以到达local optimal 因为Regression是线性的，所以单调，local optimal == global optimal gradient指的是\frac{\partial L}{\partial w},\frac{\partial L}{\partial b}所组成的一个vector(向量)，且gradient的符号是倒三角\nabla 二维可视化：(-\eta\frac{\partial L}{\partial b},-\eta\frac{\partial L}{\partial w})的方向是切线的法线方向，指向的是圆心 local optimal == global optimal的问题：因为linear regression(线性回归)的loss值是convex（凸面）的，所以没有local optimal(局部最优解) 求复合函数的偏导：外面导里面不导 * 里面导
本文参与?腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2023-03-03，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录