定期为吧里做点贡献。
机器学习算是近几年比较火的一项技术了吧，有些人可能会觉得机器学习是一门十分玄妙高深技术，其实不然。(当然，非常数学)
。这篇帖子，我会用一些大部分在初高中就学习过的知识来解释机器学习的主要数学原理，争取大部分人能看懂。只会讲一些入门级的理解，至于详细内容和更高级的知识有兴趣的可以自己去研究。
首先，我们要知道”机器“——也就是计算机是如何学习的。
机器学习，本质上来讲就是构造函数。
一开始，这个函数的参数和变量都是未知的，而训练就是我们想要把这个函数的未知参数确认下来，使得当我们将变量代入函数时，我们能计算出与期望的值相近的结果。
最终，这些确认下来的参数就是机器学习的结果，只要我们将原来函数的参数设置为我们训练出来结果，那么当我们在将变量代入函数时，我们就能得到我们期望的结果。
在初高中的学习中，与这种思路类似（即通过已知的一系列(x,y)来确定函数的a和b）的就是线性回归问题，然而在线性回归问题中，我们求参数a和b都是通过将所有样本一起计算得到的。而机器学习过程中，我们每代入一次样本值，a和b就会离正确的结果更进一步。
而要让a和b里正确结果更进一步，我们会构造另外一个名为损失函数的函数,比如线性回归问题里，我们可以选择L=(ax+b-y)^2，这个函数里，a和b是变量，已经代入的(x,y)是参数，函数越小，ax+b越接近y。然后我们通过对L进行关于a或b的求导数（导数即函数在一点的的斜率）来确定a和b分别加减多少才能离结果更近。