2.1　机器学习基础

什么是机器学习呢？所谓机器学习，就是让计算机从数据中学习到规律，从而做出预测。很多时候，我们很难直接编写一个算法解决问题，例如一张图片，很难编写算法直接正确预测这张图片中显示的是猫还是狗。为了解决这个问题，人们想到了数据驱动的方法，也就是让计算机从现有的大量的带标签的图片中学习规律，一旦计算机学习到了其中的规律，当我们输入一张新的图片给计算机时，它就可以准确地预测这张图片显示的到底是猫还是狗。

这里有两个关键的因素，一是大量的可学习数据，例如带标签的猫、狗图片；二是学习的主体，我们一般称之为模型。如何理解模型呢？读者可以把模型看成是一个映射函数，它包含一些参数，这些参数可以与输入进行计算得到一个输出，我们一般称之为预测结果。例如，输入一张图片到模型中，图片与模型参数计算得到一个映射结果，这就是预测结果。所谓模型学习的过程，就是模型修正其参数、改进映射关系的过程。可以简单地把模型的学习过程总结如下，以预测图片是猫还是狗为例，步骤如下。

（1）创建模型。

（2）输入一张带标签的图片。

（3）使用模型对此图片做出预测。

（4）将预测结果与实际标签比较，产生的差距一般称为损失。

（5）以减小损失为优化目标，根据损失优化模型参数。

（6）循环重复上述第（2）～（5）步。

下面用一个例子来演示创建模型、优化模型的整个过程。