?先我們來(lái)看?下最常?的??智能算法是什么樣的：

??智能算法包括?個(gè)部分： x是模型的輸?，y是模型的輸出，模型就是對(duì)輸?轉(zhuǎn)化為輸出的計(jì)算。?如輸?x可以是?張圖?（如 貓的照?），模型對(duì)圖?進(jìn)?計(jì)算處理，然后輸出這張圖?上對(duì)應(yīng)的物品的類別（貓）。 我們可以把算法理解成?個(gè)函數(shù)：y = f(x)，這??輸?是x，輸出是y，模型對(duì)應(yīng)的是映射規(guī)則f。 對(duì)于?個(gè)具體的問(wèn)題，我們可以獲取到?量的（x，y），??智能算法就是從這些數(shù)據(jù)中學(xué)習(xí)規(guī)律，找 到映射規(guī)則f。所以，??智能算法學(xué)習(xí)規(guī)律就是確定x到y(tǒng)的映射規(guī)則f 為了讓?家能理解??智能算法的學(xué)習(xí)過(guò)程，我們?起來(lái)看?個(gè)簡(jiǎn)單的例?： 下?是某個(gè)?區(qū)的房?jī)r(jià)和房屋?積的數(shù)據(jù)。

現(xiàn)在要利???智能的算法去學(xué)習(xí)房屋?積和房屋價(jià)格的規(guī)律，也就是根據(jù)房屋的?積如何計(jì)算得到房 屋的價(jià)格。 模型的輸?是房屋?積，模型的輸出是房屋價(jià)格。 我們可以建?這樣的模型：y = wx + b 其中，w和b是未知的，調(diào)整w和b的值可以得到不同的映射規(guī)則。 我們知道，y = wx + b 表示的是?維平?內(nèi)的?根直線，調(diào)整w和b的值可以得到不同的的直線。 接下來(lái)我們?起看?下如何去確定w和b的值。 ?先，我們先不管w和b取什么值，我們直接把輸?代?模型，可以得到模型的輸出值，我們稱模型的 輸出為預(yù)測(cè)值。數(shù)據(jù)如下表：

接著，我們只要調(diào)整w和b的值，讓預(yù)測(cè)房?jī)r(jià)盡量接近真實(shí)房?jī)r(jià)。 那我們?cè)趺凑{(diào)整w和b呢？?個(gè)個(gè)嘗試不同的取值嗎？ 我們知道，不管是w還是b，都是有?限種可能取值的，遍歷它們的所有可能取值顯然是不現(xiàn)實(shí)的。 那么有沒(méi)有?法可以指引我們?nèi)フ业阶顑?yōu)的w和b呢？答案是有的。 回憶?下，?中數(shù)學(xué)課程??我們是不是做過(guò)這樣?件事情：給定?個(gè)函數(shù)，求函數(shù)值的最?值以及此 時(shí)?變量的值。 基于這樣的思路，我們做下?這樣的操作：

這?我們就得到了?個(gè)函數(shù)，函數(shù)的?變量是w和b。?家觀察這個(gè)函數(shù)， J的值越?， ypredict是不是越接近ytrue ？

這時(shí)候我們求J 這個(gè)函數(shù)的值最?的時(shí)候?qū)?yīng)的w和b的取值，是不是就得到了我們需要找的最優(yōu)的w和 b的值？ 答案是肯定的，??智能算法就是這樣做的。

上?我們構(gòu)造的函數(shù)，在??智能算法??叫損失函數(shù)，求損失函數(shù)的值最?時(shí)，可訓(xùn)練參數(shù)(w和b)的 值的?法是梯度下降。關(guān)于損失函數(shù)和梯度下降的內(nèi)容，我們后?再深?去講解。這??節(jié)我們要理解 的是??智能算法學(xué)習(xí)的過(guò)程。

尋找最優(yōu)未知參數(shù)的值的?法： 構(gòu)建?個(gè)損失函數(shù)，損失函數(shù)滿??下條件： 1、損失函數(shù)是關(guān)于所有可訓(xùn)練參數(shù)的函數(shù)； 2、損失函數(shù)的函數(shù)值越?， ypredict越接近ytrue 。

有了損失函數(shù)之后，尋找最優(yōu)可訓(xùn)練參數(shù)的問(wèn)題就轉(zhuǎn)化成： 求損失函數(shù)最?值（極?值）時(shí)，可訓(xùn)練參數(shù)的取值 --> 通過(guò)梯度下降法可以實(shí)現(xiàn)