机器学习基础

监督学习：训练时有输入及对应的输出结果的学习方式。目前推荐的学习方式，适合有比较好数据源的场景

非监督学习：训练时只有输入，不知道结果的学习方式。各种数据不完善的场景

Regression 回归学习：

假设使用作为Fcnction，那么相应的损失函数可以默认为

其中x是输入数据，y是输出数据，b和w是未知参数，10是这个函数只有10个原始数据，可以为n

Gradient Descent梯度下降：

L对w的偏微分，当斜率小于0时增加，大于0时减少；得到的值继续往下传递；为固定参数，数值越大，效率越高；数字越小精度越高

Overfitting过拟合：训练数据越精准，但是测试数据精度越差

模型改进:

损失函数优化：

手工输入值；目的是期待一个接近于0的w,使得Function更平滑,（训练结果越差，有可能测试结果越好）(ps:平滑使用w控制，b只控制上下，所以regularization只使用了w参数)

使用tensorflow计算下面算式的值：x=2 ,y=3,z=7 求解：res=x*y+z的结果

x=tf.constant(2)

y=tf.constant(3)

z=tf.constant(7)

#说明tf.mul, tf.sub and tf.neg are deprecated in favor of tf.multiply, tf.subtract and tf.negative.

res= tf.add( tf.multiply(x,y),z)

with tf.Session() as sess:

print(sess.run(res))