零基础入门深度学习（2）- 线性单元和梯度下降
深度学习是一种机器学习算法，近年来非常流行，作为一个有理想有追求的程序员，不懂深度学习这个超热的技术，会不会感觉马上就out 了？因此，《零基础入门深度学习》系列文章旨在帮助爱编程的你从零基础达到入门级水平。
本篇文章主要介绍了机器学习的一些基本概念，如线性单元、梯度下降、模型、目标函数、优化算法等等。这些概念对于所有的机器学习算法来说都是通用的，掌握了这些概念，就掌握了机器学习的基本套路。
线性单元是啥？
线性单元是感知器的一种，它可以解决非线性可分的数据集的问题。它使用一个可导的线性函数来替代感知器的阶跃函数，线性单元在面对非线性不可分的数据集时，会收敛到一个最佳的近似上。线性单元的激活函数为线性函数，返回一个实数值，而不是0或1分类。因此，线性单元用来解决回归问题，而不是分类问题。
模型是什么？
当我们说模型时，我们实际上在谈论根据输入预测输出的算法。模型可以是一个人的工作年限，可以是他的月薪，我们可以用某种算法来根据一个人的工作年限来预测他的收入。模型可以是一个函数，函数可以有多个参数，每个参数对应一个特征。
特征是什么？
特征是指模型输入的信息，如工作年限、行业、公司、职级等等。我们可以用一个特征向量来表示一个人，例如（5，IT，百度，T6），这个特征向量包含了四个特征。
什么是监督学习和无监督学习？
监督学习是一种机器学习方法，为了训练一个模型，我们要提供这样一堆训练样本：每个训练样本既包括输入特征，也包括对应的输出（也叫做标记，label）。我们用这样的样本去训练模型，让模型既看到我们提出的每个问题（输入特征），也看到对应问题的答案（标记）。当模型看到足够多的样本之后，它就能总结出其中的一些规律。
无监督学习是一种机器学习方法，训练样本中只有特征，而没有输出。模型可以总结出特征的一些规律，但是无法知道其对应的答案。
梯度下降是什么？
梯度下降是一种优化算法，用于解决机器学习中的优化问题。它可以用来找到最优的模型参数，以便模型更好地拟合数据。
本篇文章主要介绍了机器学习的一些基本概念，如线性单元、模型、特征、监督学习、无监督学习和梯度下降等等。这些概念对于所有的机器学习算法来说都是通用的，掌握了这些概念，就掌握了机器学习的基本套路。
