比如你写了一个程序，用来检查英语的拼写，你添加了几百条规则，终于看上去像点样子了，可如果你是Microsoft Word的开发者呢，中文怎么办，西班牙语怎么办…
这个时候用机器学习吧！
在监督式机器学习中， 我们将学习如何创建模型来结合输入信息， 对以前从未见过的数据做出有用的预测。
(特征与标签)就比如说，我们要搞这个垃圾邮件分类吧
特征，它是从email里提取出来的一些特征值，可以是这封信的任何信息。
y是一个标签，y=0是非垃圾邮件，y等于1是垃圾邮件
那么这就解释清楚了标签和特征。
样本是一个特定的数据实例，这里可以看成一个向量，包含特征值和标签，比如某封特定的email，有标签的可能是用户给的，比如用户觉得某封电子邮件是垃圾邮件，他给他贴了个标签，那没有标签的就是我们要干活的对象了
模型可将样本映射到预测的标签y’,可以把他看成一个函数，那他的参数是什么呢？是通过学习得到的。
我们来重点介绍一下模型生命周期的两个阶段：
训练表示创建或学习模型。也就是说，您向模型展示有标签样本，让模型逐渐学习特征与标签之间的关系。
推断表示将训练后的模型应用于无标签样本。也就是说，您使用训练后的模型来做出有用的预测 (y’)。例如，在推断期间，您可以针对新的无标签样本预测 medianHouseValue。
回归与分类
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
线性回归
用这个去预测它
不失为一种近似
L2误差称之为方差
上面的函数用来代表线性回归模型中整个数据集的误差
在监督式学习中，机器学习算法通过以下方式构建模型：检查多个样本并尝试找出可最大限度地减少损失的模型；这一过程称为经验风险最小化。
MSE即样本集方差的计算公式
这里复习下梯度，那什么是梯度呢，梯度是一个向量函数，给定一个点P,它能返回u=f§的这个场，在P点处,u上升的最快的方向，比如平面内有一个气味的分布，给一个点，返回该点处，气味最浓的方向；空间中有一个温度的分布，给定一个点P，返回P点处温度上升的最快的那个方向。它是怎么实现的呢，用的是方向导数，|G|，方向导数不是给一个点，返回所有方向的变化率吗，我把那个最大的变化率给你构造出来，那这个最大的变化率产生于哪个方向呢，梯度方向啊。这样，单独把这个方向拿出来讲，就是梯度了。