监督学习可以看作是原先的预测模型，
有基础的训练数据，
再将需要预测的数据进行输入，得到预测的结果（不管是连续的还是离散的）
---
机器学习术语
样本：数据集的一行。一个样本包含一个或多个特征，此外还可能包含一个标签。另请参阅有标签样本和无标签样本。
术语库链接：https://developers.google.cn/machine-learning/crash-course/glossary#label术语库链接
回归模型可预测连续值。例如，回归模型做出的预测可回答如下问题：
加利福尼亚州一栋房产的价值是多少？
用户点击此广告的概率是多少？
分类模型可预测离散值。例如，分类模型做出的预测可回答如下问题：
某个指定电子邮件是垃圾邮件还是非垃圾邮件？
这是一张狗、猫还是仓鼠图片？
预测模型中的损失函数：平方误差：(y-prediction(y))^2
均方误差：（1/n）(y-prediction(y))^2
---
迭代方法：
梯度下降法：梯度下降法的第一个阶段是为 w1 选择一个起始值（起点）。起点并不重要；因此很多算法就直接将 w1
设为 0 或随机选择一个值
梯度下降法算法会计算损失曲线在起点处的梯度。简而言之，梯度是偏导数的矢量；它可以让您了解哪个方向距离目标“更近”或“更远”。
多复习一下梯度下降法，位于降低损失模块中。
如何确定下一个点的坐标：学习速率（步长）*梯度（数学那个梯度） 步长就是原先设置的那些0.01啥的
一维空间中的理想学习速率是 1f(x)″（f(x) 对 x 的二阶导数的倒数）。
二维或多维空间中的理想学习速率是海森矩阵（由二阶偏导数组成的矩阵）的倒数。
广义凸函数的情况则更为复杂。
超参数：在模型训练的连续过程中，您调节的“旋钮”。例如，学习速率就是一种超参数。
与参数相对。
---
很多编码练习都包含以下超参数：
- steps：是指训练迭代的总次数。一步计算一批样本产生的损失，然后使用该值修改模型的权重一次。
- batch size：是指单步的样本数量（随机选择）。例如，SGD 的批量大小为 1。
以下公式成立：
有些练习中会出现以下方便变量：
- periods：控制报告的粒度。例如，如果
periods设为 7 且steps设为 70，则练习将每 10 步（或 7 次）输出一次损失值。与超参数不同，我们不希望您修改periods的值。请注意，修改periods不会更改您的模型所学习的内容。
以下公式成立：