神经网络可以用来模拟回归问题 ，实质上是单输入单输出神经网络模型，例如给下面一组数据，用一条线来对数据进行拟合，并可以预测新输入 x 的输出值。然后用 Sequential 建立 model，再用 model.add 添加神经层，添加的是 Dense 全连

介绍什么是机器学习？Arthur Samuel如此描述机器学习：一个领域的研究，旨在研究，在不进行编程的情况下，让计算机具有学习能力。Tom Mitchell给出了一个更为现代的定义：一个计算机程序从经验E以及评判标准P中学习如何完成任务T，随着E的累积，

近段时间以来，我们频频听到「机器学习」这个词。几十年来，机器学习实际上已经变成了一门独立的领域。由于现代计算能力的进步，我们最近才能够真正大规模地利用机器学习。算法被写入计算机并在其剖析数据时给与其需要遵循的规则。机器学习算法经常被用于预测分析。在商业中，

用tensorflow构建简单的线性回归模型是tensorflow的一个基础样例，但是原有的样例存在一些问题，我在实际调试的过程中做了一点自己的改进，并且有一些体会。以上时tensorflow的一点认识，下面是关于梯度下降的一点新认识。

线性回归可以说是机器学习中最简单，最基础的机器学习算法，它是一种监督学习方法，可以被用来解决回归问题。它用一条直线来拟合训练数据，进而对未知数据进行预测。机器学习方法，无外乎三点：模型，代价函数，优化算法。虽然线性回归现在可能很少用于解决实际问题，但是因为

本文将遍历批量数据点并让TensorFlow更新斜率和y截距。这次将使用Scikit Learn的内建iris数据集。特别地，我们将用数据点找到最优直线。选择这两种特征是因为它们具有线性关系，在后续结果中将会看到。# 声明L2损失函数，其为批量损失的平均值

很多搜索达人都有这样一种冲动，想要“通过机器学习获得最优权重”然后用于搜索查询中。对于搜索这件事儿来说有点像打地鼠游戏，正如通常人们所说的“如果我能选择优化‘标题匹配’的权重还是‘内容匹配’的权重，那我肯定会做得更好”!没错，就是传说中的线性回归!线性回归

LTR 的入门模型就是线性模型，本文以线性模型为例，针对搜索排序的场景，通俗地介绍了机器学习的基本思想和实现步骤。作为 LTR 系列的第三篇，相信通过本文你已经可以轻松地入门 LTR。很多搜索达人都有这样一种冲动，想要“通过机器学习获得最优权重”然后用于

近段时间以来，我们频频听到「机器学习」这个词。几十年来，机器学习实际上已经变成了一门独立的领域。由于现代计算能力的进步，我们最近才能够真正大规模地利用机器学习。算法被写入计算机并在其剖析数据时给与其需要遵循的规则。机器学习算法经常被用于预测分析。在商业中，

Motivation 问题描述收集到某一地区的房子面积和房价的数据42组,对于一套已知面积的房子预测其房价？由房价数据可视化图可以看出，可以使用一条直线拟合房价。通过这种假设得到的预测值和真实值比较接近。Gradient descent 梯度下降这是一个二

Motivation 问题描述收集到某一地区的房子面积和房价的数据42组,对于一套已知面积的房子预测其房价？由房价数据可视化图可以看出，可以使用一条直线拟合房价。通过这种假设得到的预测值和真实值比较接近。Gradient descent 梯度下降这是一个二