新的一年，新的开始啦。

最近paddlepaddle真是火热火热的，估计有一大堆小伙伴准备入手了，但是你发现缺少了数学知识，和机器学习的概念还是很吃力的。

没关系，没关系，我也是一样的，学习是一点一滴的过程，加油吧，要对自己有信心。

本期就给大家更新PaddlePaddle深度学习的框架吧，非常非常基础的，我自己也看了两遍视频。

如题，是新手入门，大神给点指点指点就好啦。哈哈哈，最后放视频地址，

目录：
A：机器学习基础知识
有监督学习&无监督学习
模型是什么
假设函数（hyothesis function）
目标函数（cost function）
梯度下降（gradient descent）
B：paddlepaddle实战：线性回归预测房价
数据预处理
设计假设函数
设计损失函数
开始训练，观察训练结果
用模型做预测

【第一课：机器学习基础知识】
深度学习是机器学习的一个分支。
机器学习总体分类（监督学习 supervised learning 和 无监督学习 unsupervised learning）
而监督学习分类（决策树：decision tree，svm等，回归（线性回归和非线形回归））
无监督学习（聚类，词嵌入等）

【1.1 模型是什么】
监督学习是要根据已知数据集X和Y寻找出映射关系f。
手写字识别 。 X手写数字图片，Y数字，模型
样本（example）：一个feature和对应的label数据构成一条样本（X，Y）
数据集（dataset）：所有样本一起构成一个数据集
填空题：2，4，（），8
（1，2），（2，4），（4，8），（3，？）
y=f(X)=某X 。 这个某=2.
模型的能力：
1.拟合：描述已有数据之间的映射关系（拟合fit）
2.预测：对未知数据有预测能力（泛化generalization）

【2.机器学习是什么？】
A：机器学习
从数据中产生模型
B：关键概念
假设函数（hypothesis function）
损失函数（cost function）
优化算法（gradient descent）

【2.机器学习是什么？】

【2.1 假设函数】
用数据的方法描述自变量X和因变量Y之间的关系
比如说：线形假设函数，包括了二次函数，三次函数..多次函数..

【2.2 损失函数】
用数学的方法衡量假设函数预测结果与真实值之间的“误差”。
MSE（mean square error）均方差损失函数。

【2.3 梯度下降（gradient descent）】
问题：给定训练数据集和损失函数，希望找到对应的Q使得损失函数J(Q)最小
分析：函数的极值点就是它的导数为0的那个点
方法：人可以通过解方程算出极值点对应的Q。计算机不会解方程，但是可以凭借强大的计算能力，一步一步迭代算出极值点。
学习率太小：逼近极值点很慢
学习率太大：函数无法收敛，甚至发散，cost越来越大。

三种梯度下降优化框架

【3. 机器学习基础知识总结】

【术语总结】
监督学习（supervised learning）
非监督学习（unsupervised learning）
假设函数（hypothesis function）
均方差MSE（mean square error ）
损失函数（cost function）
梯度下降（gradient descent）

在下一章节中，我们一起研究下如何用paddlepaddle来预测房价哈，从数据预处理到函数到模型一步一步。

本期学习的视频：在强大的百度技术学院：http://bit.baidu.com/course/detail/id/137/column/7.html