一、机器学习定义
? 理解机器学习，首先明确机器。
? 机器，指的是计算机，算法运行物理载体。
? 机器学习，为了完成一项任务，我们通过设计一种算法，利用数据，提取数据中蕴含规律，训练出模型，让模型进行预测。
? 输入机器的数据带有标签，为有监督学习。否则为无监督学习。
二、分类与回归问题区别
1、输入变量不同
连续变量预测称为回归；eg：预测明天气温
离散变量预测称为分类。eg：预测明天天气
2、应用场景不同
（分类通常建立在回归之上，而且分类没有相近概念，最终正确结果只有一个）
三、分类与回归问题的相同之处
? 本质一个，都需要建立映射关系，都是通过计算机学习数据，进而生成模型预测。
? 回归和分类问题可以相互转换。
四、线性回归
? 回归分析常用于分析变量x与y的关系。
? 常见的线性模型是y=ax+b。
?
五、?损失函数
为了提高函数匹配程度，我们就需要误差公式，叫作损失函数。
超参数
一、参数与超参数的区别
模型参数通常由数据来驱动，超参数不需要。
二、分类
通常可以将超参数分为三类：网络参数、优化参数、正则化参数。
? 网络参数：可指网络层与层之间的交互方式（相加、相乘或者串接等）、卷积核数量和卷积核尺寸、网络层数（也称深度）和激活函数等。 ?
优化参数：一般指学习率（learning rate）、批样本数量（batch size）、不同优化器的参数以及部分损失函数的可调参数。
? 正则化：权重衰减系数，丢弃法比率（dropout）
三、重要性顺序
1.学习率，损失函数上的可调参数
2.批样本数量
3.优化器超参数、权重衰减系数、dropout和网络参数
网络搭建
?
?
?
?
?