解决一个场景

• 没吃过猪肉总见过猪跑，现在的语言识别，图片识别，自动驾驶已经不是天方夜谭，就是实实在在身边的事情了
• 这些东西虽然可见，对于我们去了解其中的本质还是有些许距离的
• 怎么才能贴近我们最简单的场景？一个网站有历史访问的数据,我想知道下面一个月的访问量（回归），一个客户他有很多用户画像的数据，年龄，性别，操作记录等等都是数据库里面的数据，如果一个新的用户进来，我怎么才能知道他付费的可能性呢(分类)？

回归

• 这些就是场景，我们去抽象一下
• 是不是跟这个表格有些相似呢？我们知道两列数据的已有值，一个是年纪（age）一个是血压（trestbps），我们想知道一个未知年龄人的血压，例如我想知道58岁人的血压？这就是一元的问题。
• 有人就会说这肯定不准啊，对这真的是不准，但是这从业务角度来说这仅仅是辅助决策，并不代表他一定是这个值。
• 再往下抽象一步如果是多列数据呢？
• 我知道一个人的年纪（age），血压（trestbps）,想知道他的胆固醇数值(chol),这就是多元问题。
• 我们再想想其实跟年纪，血压，胆固醇有关系吗？从数据，数学的角度，其实就是三列值对应的映射关系，只是在之前的业务上面我希望通过年纪和血压去预测胆固醇，我们其实可以从任何两列去预测另一列，任何业务上面都应该符合这样的规律，这就带给我们无限的可能，一个人也行病例填漏了年纪，没关系我知道他的血压和胆固醇可以预测他的年纪，这变成了顺其自然的事情。
• 回到问题的本质其实都是预测出如价格或概率这样连续值的输出,这就是回归

分类

• 同样的另一个场景，一个人不仅仅有这些如年纪的固定数据值，他也可以是很多类型，他可以是男人，可以是教师，可以是帅哥。他可以任何一个被定义的标准类型。

• 从下面的数据中我们可以看出

• 这个人可以是男可以是女（数值里面用0,1表示）。

• 回到问题场景下，我知道一个人的年纪，血压是不是可以预测一个人的性别。

• 答案显然是可以的，不管是一个变量或者多个变量都可以给当前的人打上一个类型，这就是一元分类和多元分类。

• 回到问题的本质这其实是一系列的分类出选择出一个分类 （如，给出一张包含苹果或橘子的图片，识别出图片中是哪种水果）

抽象

• 回到那个准不准的问题，我们得出的结论究竟是什么？
• 在回归中我们想象一下我们得出的是不是这样一个函数w*x+b=y这的一个一元一次方程？不够抽象画个图
• 输入与输出，我们每对应的一个年纪是一个输入，对应的一个血压值就是一个输出，一个个点打在坐标图上面，现在我们去画了一条一元一次方程的图x=y，当然这个显然不是我们想要的那条函数。这也不是正确的做法，开始第二张图。

• 其实我们想要得到第一步并不是和我们刷leetcode那样找到对的算法，而应该是多个函数集合，这是才是我们想要的第一步，我并不是知道结果，我是在预测结果，我不是在做一个已知数据集的从大到小的排序，我做的是要知道下一个输入对应的输出是多少，我获取的是多个函数的集合，通过其中的一个函数，找到下一个x对应的y。
• 假设我们通过自己的手段知道了这些集合，我自己随便写10个都行，2x+1=y,0.5x-5=y,6x+2=y等等，这些就是我们的模型
• 我猜知道哪个函数是我要的那个函数，这个是核心问题，什么才是标准？再来一张图！
• 我们可以看到历史的每个点到我们预测的那个函数之间是有一个距离的，我们怎么知道哪个函数是最好的函数，是不是应该这样算，我拿每个点到这条函数的相差的值求和，哪个值最小的函数是不是我们要找的函数。
• 捋一捋我们有一个函数的集合里面有10个函数，我们想要从这10个函数里面得出来那个最好的函数来预测我们下一个值，是不是找出每个点到这个函数垂直距离最小和的那个函数，这是最简单的方式之一，这是就是我们的策略。
• 怎么计算怎么实现就是我们所说的算法。
• 三大要素齐了分别是模型（函数集合），策略（怎么定义最小值），算法（找出最优的方式）。

框架tensorflow

• 下回详见

资源地址

• github: github.com/fodelf/Tens…
• 设计地址： modao.cc/app/a31abb9…

总结

• 以机器学习的方式去思考是我们解决问题的另一种方式，有时候太过关注于规则会产生很多的重复工作，其实从数学规律的角度去我无需关注业务上面一个符号一个字代表的含义，我从数学公式的角度出发，准确度会下架，效率会极大的提升，其他更多场景的应用真的说是无限的可能。
• 术之尽头,炁体源流，尽是数学！！！

进度

• 持续开源中，功能还没写完嘿嘿!

结束