1 概述
下面我将通过简单易懂的语言来带大家入门机器学习，通过一个线性回归的例子，大家可以快速理解机器学习的基本思想。
2 机器学习定义
根据百科，机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
3 线性回归
我们有一系列的坐标点作为数据集，其中 X = ｛xi｝，Y=｛yi｝，形成了一些列坐标点（xi，yi），这些点的分布接近一条直线。
我们可以假设一个函数
y_ = a*x + b，其中 a和b 是待定的参数，我们需要通过调整a 、b，使得这个函数的图形接近这些坐标点。
4 损失函数
那么，我们如何评价我们预期的函数 y_ 与源数据集拟合得最好呢？光靠看相似层度是不行的，我们需要定义一个损失函数loss，来衡量我们预期函数 y_ 的拟合程度，loss越小，说明拟合得越好。
我们可以定义：loss = 1 / （2 * n）* sum(（a*xi + b - yi）^2 )
这个损失函数的意思是：将每个点的xi 带入 预期函数 y_，然后和真实的yi做差，然后平方，最后将每个点求和，再除以2*n，其中 n 是 数据集中点的个数。
5 参数更新
有了损失函数loss，我们已经可以衡量 预期函数y_ 的好坏了，因为y_ 是关于a、b的函数，所以就是衡量 a和b 好坏。
但是我们该如何更新a、b，使其朝着使loss最小的方向发展呢？
答案就是求导，一个函数loss对其自变量a求导（偏导），就可以求得这个函数在某个位置的梯度da，那么，我们只要让自变量减去这个梯度（a = a - da，梯度通常还要乘以一个学习率，这里先省略） ，就可以使得这个函数值loss减小。
所以，我们知道了loss函数是关于a、b的函数，我们需要修改a、b，使得loss减小，这样，我们就需要求loss对a、b的偏导，
da和db，然后再同步更新a和b
a = a - alpha*da
b = b - alpha*db
其中要注意a、b是同步更新的，计算完第一步之后，不要将新的a带入第二步，第二步的a还是旧的a。alpha是学习率，因为有时候梯度很大，一做差，就会把loss变大，这样是无法优化的。其实，上面的步骤也成为梯度下降法，我们每次求自变量的梯度，然后更新，都是在loss这座“山”上面，选择一个最陡峭的方向向下走一小步。
6 重复迭代
将数据集迭代很多次，就可以将参数a、b更新到最适应这个数据集的值，所以这是loss损失函数是很小的，这时候我们就可以认为 预测函数y_ 和数据集拟合得很好了。
7 代码
下面是图片，如果可以自己照着敲代码，用python 3.6 写的，为了显示图片要用pip安装matplotlib，为了能用ipynb格式的笔记本模式，可以安装jupyter。 想要代码的，可以留言索取或者私信我， 我再发过去。点个赞。
