特征向量、标签、模型、算法

特征向量、标签、模型、算法

1. 特征向量：用于解决问题的一系列属性
2. 标签：我们想要预测的目标
3. 模型：function的集合。用于预测的规则
4. 算法：生成模型的程序
   举例
   我们去卖西瓜，为了挑一个好的西瓜，我们需要看看西瓜的颜色，瓜秧，形状，还要拍一拍听听西瓜的声音等。这些西瓜的属性就是特征向量。好的西瓜即我们的目标也就是标签。好的西瓜的响声咚咚响，形状比较圆，瓜皮颜色深绿等，我们的这些日常经验就是挑选西瓜时的参考，在深度学习中即为模型。

训练集&测试集

1. 训练集(training data)：训练模型过程使用的数据集
2. 测试举(testing data)：测试模型过程使用的数据集

深度学习过程

监督学习、非监督学习、强化学习

1. 监督学习（Supervised learning):对于给定的数据集x,都有对应的标签y与之对应。简而言之对于给定对象我们对他有一个期望的输出。典型代表有回归问题、分类问题。
2. 非监督学习（Unsupervised learning):对于给定的数据集x,通过学习给我们某种结构或者分类。简而言之，对于给定的对象，我们想看一下他会有什么样的输出。典型代表聚类问题。
3. 强化学习 (Reinforcement learning):通过尝试或犯错来寻找规则。
   举例

公式中x,y,d,m的意义

1. x代表特征（西瓜的颜色，瓜秧，响声）
2. y代表标签（好瓜、坏瓜）
3. d代表维度（一个西瓜的特征的个数）
4. n代表样本的个数（有几个西瓜）
5. R代表定义域

记录菜鸡学习深度学习的过程。