李宏毅机器学习 Machine_Learning_2019_Task1

学习任务：

目录：
一、了解什么是Machine learning
二、中心极限定理、正态分布、最大似然估计
三、Loss Function
四、泰勒展开
五、L2-Norm，L1-Norm，L0-Norm

一、了解什么是Machine learning

机器学习简而言之就是找到一个function，根据输入得到想要的输出。
一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

机器学习采用两种技术：监督式学习和无监督学习。监督式学习根据已知的输入和输出训练模型，让模型能够预测未来输出；无监督学习从输入数据中找出隐藏模式或内在结构。

二、中心极限定理、正态分布、最大似然估计

Central Limit Theorem 中心极限定理

具体理解：
1、样本的平均值约等于总体的平均值。
2、不管总体是什么分布，任意一个总体的样本平均值都会围绕在总体的整体平均值周围，并且呈正态分布。

normal distribution 正态分布

若随机变量X服从一个均值为μ，σ的平方的正态分布，其中μ为均值，σ的平方为方差，则记为：。

Maximum likelihood estimation 最大似然估计

极大似然估计其实是理想地认为，对于极少的样本观测，我们观测到的样本很可能就是发生概率最大的。

三、Loss Function 损失函数

1、推导过程

可以参见另一篇博客 https://mp.csdn.net/mdeditor/84944571#

2、损失函数与凸函数之间的关系

• 损失函数：在监督学习中，损失函数刻画了模型和训练样本的匹配程度，即定义了模型的评估指标.
• 凸函数的几何解释是：函数图像上的任意两点确定的弦在图像的上方；

3、全局最优与局部最优

• 在《最优化理论》之中，确定一个函数的最大值或者最小值，最关键的无非就是两点，确定“搜索方向”和“搜索步长”。不同的优化算法本质上仍是通过不同的设计，寻找不同的搜索方向，再确定搜索步长，不断迭代。

四、泰勒展开

泰勒公式主要的作用就是把一个特别复杂的函数化简，近似的求其值。

梯度下降：

梯度下降代码：

def f(x):
    return x ** 2

## 首先要对f(x)进行求导 y'=2x
def h(x):
    return 2 * x

X=[]
Y=[]
x=2 #初始值
step = 0.8 #步长

f_change = f(x)
f_current = f(x)
X.append(x)
Y.append(f_current)
while f_change>1e-10:
    x = x-step * h(x)
    tmp = f(x)
    f_change = np.abs(f_current - tmp)
    f_current = tmp
    X.append(x)
    Y.append(f_current)
    print(u'x=',x)
    print(u'f_change:',f_change,'f_current=',f_current)
print(u'最终结果为',(x,f_current))

五、L2-Norm，L1-Norm，L0-Norm

推到正则化公式：

附图：

参考：
书籍：机器学习精讲
视频：李宏毅机器学习2019