前提条件
掌握入门级代数知识应了解变量和系数，线性方程式函数图和直方图熟练掌握编程基础知识，并具有一些使用python进行编程的经验编程练习是通过TensorFlow并使用python进行编码的，应能够熟练阅读并编写包含基础结构的python代码它可以提供一个可缩短编程时间的工具，假设需要编写一个程序来纠正拼写错误使软件工程师自定义自己的产品，使其更符合特定的用户群体什么是（监督式）机器学习
机器学习是通过创建模型，结合输入信息，来对从未见过的数据，做出有用的预测。
标签是我们要预测的真实事物y(基本线性回归中的y变量)
当我们创建模型时，会为它提供标签，以垃圾邮件过滤模型为例，标签可以是垃圾邮件或非垃圾邮件特征是指用于描述数据的输入变量xi(基本线性回归中的{x1,x2,…,xn}变量)
特征可以从电子邮件中提取样本是数据的特定实例(矢量x)有标签样本为{特征，标签}，用于训练模型无标签样本为{特征，？}，用于对新数据进行预测模型定义了特征与标签之间的关系，其生命周期的两个阶段为训练和推断训练是指向模型展示有标签样本，让模型逐渐学习特征与标签之间的关系推断是指将训练后的模型应用于无标签样本回归模型可预测连续值分类模型可预测离散值
线性回归
已知每分钟的鸣叫声和温度方面的一组数据，我们可以以此训练一个模型，从而预测鸣叫声与温度的关系。
鸣叫声与温度之间的关系是线性关系，我们可以绘制一条直线来近似地表示这种关系。模型方程式为y’=b+w1x1，我们也可以用多个特征来表示更复杂的模型。
其中：
y’指的是预测标签（理想输出值）
b指的是偏差（y 轴截距）
w1指的是特征x1的权重
x1指的是特征（已知输入项）
训练与损失
训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值。在监督式学习中，机器学习算法通过以下方式构建模型：检查多个样本并尝试找出可最大限度地减少损失的模型；这一过程称为经验风险最小化。损失是一个数值，表示对于单个样本而言模型预测的准确程度。如果模型的预测完全准确，则损失为零，否则损失会较大。平方损失是一种常见的损失函数，又称为L2损失。单个样本的平方损失为(observation(x) - prediction(x))2，即 (y - y’)2。均方误差 (MSE)指的是每个样本的平均平方损失，为M S E = 1 N ∑ ( x , y ) ∈ D ( y − p r e d i c t i o n ( x ) ) 2 MSE = \frac{1}{N} \sum_{(x,y)\in D} (y - prediction(x))^2 MSE=N1(x,y)∈D∑(y−prediction(x))2其中：
( x , y ) (x,y) (x,y)指的是样本
p r e d i c t i o n ( x ) prediction(x) prediction(x)指的是权重和偏差与特征集结合的函数。
D D D指的是包含多个有标签样本（即 ）的数据集。
N N N指的是 中的样本数量。
虽然 MSE 常用于机器学习，但它既不是唯一实用的损失函数，也不是适用于所有情形的最佳损失函数。
