机器学习的理论基础----函数逼近
由万能逼近定理可知，神经网络理论上可以以任意精度逼近任意连续可导函数。个人理解类似于函数的泰勒公式展开。
f(x)=f(0)+f'(0)x+f''(0)/2!*x^2,+f'''(0)/3!*x^3+……+f(n)(0)/n!*x^n+Rn
机器学习最终需要做的是最小化损失函数，其中，L为损失函数，Y为预测值，f为真实值。
但损失函数并不是越小越好，因为可能引起过拟合，可过大又会导致欠拟合。欠拟合和过拟合的解决方法见此文。
为此，定义了一个函数 ，这个函数专门用来度量模型的复杂度，在机器学习中也叫正则化(regularization)。常用的有 , 范数。至此，我们最终的优化函数是： ，这个函数也被称为目标函数。而我们常说的梯度下降算法和最小二乘算法，就是用来快速寻找目标函数最小值。而激活函数是在网络传递过
程中，引入非线性因素，使数据可分。而SVD，PCA，ICA，kernal等等都是在处理这一过程中用到的处理数据的
具体算法。
机器学习一般处理三大类问题：分类，回归，聚类。针对不同类别的问题，我们应该采取不同的机器学习算法。
文章末尾分享几个机器学习的常用框架(点击可进入链接)：
1 sklearn
2 keras
3 tensorflow
本文只是粗略写了机器学习的概念，以后还会写点具体算法，本人自知水平有限，诸位姑且凑合着看吧。。。
