先我們來看?下最常?的??智能算法是什么樣的：
??智能算法包括?個部分： x是模型的輸?，y是模型的輸出，模型就是對輸?轉化為輸出的計算。?如輸?x可以是?張圖?（如 貓的照?），模型對圖?進?計算處理，然后輸出這張圖?上對應的物品的類別（貓）。 我們可以把算法理解成?個函數：y = f(x)，這??輸?是x，輸出是y，模型對應的是映射規則f。 對于?個具體的問題，我們可以獲取到?量的（x，y），??智能算法就是從這些數據中學習規律，找 到映射規則f。所以，??智能算法學習規律就是確定x到y的映射規則f 為了讓?家能理解??智能算法的學習過程，我們?起來看?個簡單的例?： 下?是某個?區的房價和房屋?積的數據。
現在要利???智能的算法去學習房屋?積和房屋價格的規律，也就是根據房屋的?積如何計算得到房 屋的價格。 模型的輸?是房屋?積，模型的輸出是房屋價格。 我們可以建?這樣的模型：y = wx + b 其中，w和b是未知的，調整w和b的值可以得到不同的映射規則。 我們知道，y = wx + b 表示的是?維平?內的?根直線，調整w和b的值可以得到不同的的直線。 接下來我們?起看?下如何去確定w和b的值。 ?先，我們先不管w和b取什么值，我們直接把輸?代?模型，可以得到模型的輸出值，我們稱模型的 輸出為預測值。數據如下表：
接著，我們只要調整w和b的值，讓預測房價盡量接近真實房價。 那我們怎么調整w和b呢？?個個嘗試不同的取值嗎？ 我們知道，不管是w還是b，都是有?限種可能取值的，遍歷它們的所有可能取值顯然是不現實的。 那么有沒有?法可以指引我們去找到最優的w和b呢？答案是有的。 回憶?下，?中數學課程??我們是不是做過這樣?件事情：給定?個函數，求函數值的最?值以及此 時?變量的值。 基于這樣的思路，我們做下?這樣的操作：
這?我們就得到了?個函數，函數的?變量是w和b。?家觀察這個函數， J的值越?， ypredict是不是越接近ytrue ？
這時候我們求J 這個函數的值最?的時候對應的w和b的取值，是不是就得到了我們需要找的最優的w和 b的值？ 答案是肯定的，??智能算法就是這樣做的。
上?我們構造的函數，在??智能算法??叫損失函數，求損失函數的值最?時，可訓練參數(w和b)的 值的?法是梯度下降。關于損失函數和梯度下降的內容，我們后?再深?去講解。這??節我們要理解 的是??智能算法學習的過程。
尋找最優未知參數的值的?法： 構建?個損失函數，損失函數滿??下條件： 1、損失函數是關于所有可訓練參數的函數； 2、損失函數的函數值越?， ypredict越接近ytrue 。
有了損失函數之后，尋找最優可訓練參數的問題就轉化成： 求損失函數最?值（極?值）時，可訓練參數的取值 --> 通過梯度下降法可以實現
