人工智能入门学习Day1

机器学习入门：从向量到矩阵变换

一、数据的本质：向量

在机器学习中，所有数据本质上都可以表示为向量。

例如：

身高 = 180
体重 = 70
年龄 = 20

可以表示为一个向量：

x = [180, 70, 20]

向量的本质是：

按顺序排列的一组数值，用于描述一个对象的特征

---

二、模型的本质：矩阵

如果说向量表示“数据”，那么矩阵表示“对数据的处理方式”。

矩阵可以看作是按行或按列组织起来的一组向量，本质是一个二维数组。

在机器学习中，矩阵通常用于表示模型的参数。

---

三、点积：最基础的计算方式

给定一个权重向量：

w = [0.5, 0.3, 0.2]

和输入向量：

x = [180, 70, 20]

它们的点积为：

\[ y = w \cdot x \]

点积的本质是：

对输入数据进行加权求和

即：

• 每个特征乘以对应权重
• 然后相加得到结果

---

四、模型的形式：从输入到输出

在最简单的情况下，一个模型可以表示为：

\[y = W x + b \]

其中：

• x：输入向量（数据）
• W：矩阵（模型参数）
• b：偏置项
• y：输出结果

这个过程可以理解为：

使用矩阵对输入数据进行一次线性变换

---

五、机器学习的核心任务

机器学习的目标并不是“随便找一个矩阵”，而是：

通过训练数据，找到一个最优的矩阵 W，使得模型输出尽可能接近真实结果

这个过程通常通过优化算法（例如梯度下降）来完成。

---

六、总结

可以用一句话概括机器学习的基本结构：

数据是向量，模型是矩阵，对数据进行变换以得到结果

进一步地：

机器学习的过程，就是不断调整矩阵参数，使变换结果更接近真实值