初入机器学习

写在前面

本专栏专门撰写深度学习相关的内容，防止自己遗忘，也为大家提供一些个人的思考
一切仅供参考

1. 基于亚马逊的MXNet库
2. 本专栏是对李沐博士的《动手学深度学习》的笔记，仅用于分享个人学习思考
3. 以下是本专栏具体所需的环境（放进一个environment.yml，然后用conda虚拟环境统一配置即可）

   name: gluon
   dependencies:
   - python=3.6
   - pip:- mxnet==1.5.0- d2lzh==1.0.0- jupyter==1.0.0- matplotlib==2.2.2- pandas==0.23.4
   

概念辨析

1. 深度学习：

   1. 本质是建模，将训练得到的模型作为系统的一部分使用
   2. 侧重于发现样本集中隐含的规律
   3. 难点是认识并了解模型，合理设置初始模型，要对建模对象有比较深刻的认识
   4. 依赖大量的准确训练样本

2. 强化学习：

   1. 本质是系统，直接将训练得到的模型视作系统本身（激进的像“端到端”）
   2. 侧重于最大化当前环境下的奖励，最终目标是寻找环境中的最佳决策过程
   3. 难点是奖励设置和sim2real（从仿真到实际对象）

3. 监督/无监督：
   训练时使用两种不同的训练样本集（有无标签），和学习方法属于一体两面的关系

4. 张量（Tensor）：
   三维空间中的张量最多由3*3个3维向量构成，共计27个数，组成了一个“立方体”（也可以认为是3个3*3的矩阵组成）

   向量和矩阵都是特殊的张量，向量（vector）是一个1阶张量，矩阵（matrix）是一个2阶张量

   在物理中，由张量描述的物理量不依赖于坐标系，只和对象本身相关联。因此，尽管张量的具体分量会随着坐标系的不同而变化，其所描述的物理状态或行为保持一致（该性质是张量被广泛应用的一个重要原因）

5. 回归分析：
   回归在统计学和机器学习中指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。它帮助我们理解当一个或多个独立变量（预测变量或自变量）改变时，因变量（结果变量或应变量）会如何变化。简单来说，回归分析可以帮助我们预测一个连续值的输出。