机器学习的任务：
- regression：输出是一个标量scalar；
- classification：给出多个classes，输出正确的类别；
- structured learning：创造有结构的东西，比如生成一个图片或者文档；
机器学习完成任务，是通过找到一个function来实现的，一个案例学习：以youtube每天的点击量预测为例
1. 先写出一个有未知参数的function作为model，想用哪个函数来实现任务；介绍model，feature，weight，bias四个概念
2. 定义一个loss function：L(b, w)，它是一个把上述未知参数作为自变量的函数，这个函数是要评价这些参数的设定究竟好不好，通过training data进行计算
选择一个loss函数，这里用了预测结果与label的绝对误差的平均值作为了loss，loss函数有很多种形式。通过training data使用目前确定的w和b来得到预测结果，计算loss。
3. 进行优化：表现最好的参数，是能让loss最小的参数，所以要针对这一问题进行优化
优化方法：gradient descent（梯度下降）
以一个参数的优化过程为例如上图；目前可以看到的GD的缺陷：可能无法找到全局最小值，而是陷入到局部极小值处；比如上图到了w1右边的极小值点，再怎么更新都无法跑到再右边的最小值去了。（但是老师说GD真正的痛点并不是这个）
超参数 hyperparameters
在机器学习中需要自己设定的参数
上述三步是机器学习的训练过程，根据已知的trainning data进行模型的训练；下面进行测试，看一下测试的效果，可能会比较不如意；
4. 根据测试的结果，根据你的domain knowledge，需要对模型进行修改。
比如对观看人数的预测，你发现明显数据是七天一周期的变化，那用前七天来进行预测显然比用前一天的预测更加好一些。
Linear Model
（上面的例子就是一个linear model）
线性模型太简单，特征和label的关系永远都是线性的，但是事实上可能有非线性的关系，那线性模型无论怎么训练都无法很好的拟合了。
这种局限叫做model bias。
