从机器学习的角度着手分析。

1、先来个小例子

给定一组data：1，2，3，4，5，？
猜测5后面的数是多少？
想必，我们会猜测是6

具体思路是这样的：
我们假定这组data服从一个规律，$f$，满足$f(1)=1,f(2)=2,f(3)=3,f(4)=4,f(5)=5$
这时，从最简单的角度出发，猜测规律$f$为：$f(x)=x$,从而推断$f(6)=6$。

总结： 以上算是一个特别简单的数据拟合问题，即回归问题。

2、回归问题

给定N组对应关系的符号表示：$(x_1,y_1),...,(x_N,y_N)$，其中$x_i\in R^n,y_i\in R$。

$x_i\in R^n$，表示$x_i$为$n$维向量。
$y_i\in R$，表示$y_i$为一个实数。

每一组$(x_i,y_i)$都有$x_i➡y_i$的对应关系。
从函数的角度，要想整体描述$x$和$y$的关系，则目标是：
找到这样一个函数$f$，满足：$y_i\approx f(x_i)$，即
$$\left(\begin{array}{c}{y}_1\\ ⋮\\ y_N\end{array}\right)\approx \left(\begin{array}{c}f(x_1)\\ ⋮\\ f(x_N)\end{array}\right)$$
显然，这是一个数据拟合，即回归问题。
这时，要让左右两边向量尽可能近。

向量，可以理解为高维空间中的点。
高维空间中点的距离，最简单的定义是2-范数的平方。

范数：某个向量空间中每个向量的长度或大小。
2-范数是常用范数，表达式为：$||x|{|}_2=(x_1^2+\cdots +x_n^2{)}^{1/2}$，其中下角标2常省略。

因此，向量之间的距离表示为：$||a-b|{|}^2=\sum _{i=1}^n(a_i-b_i{)}^2$，该距离也称为欧氏距离。

左右两边向量的距离$d=\sum _{i=1}^n(y_i-f(x_i){)}^2$，表示对函数$f$契合度的度量，要使$d$尽可能小。

找$f$时，假设$f$是最简单的线性函数，$f(x)=a^{t}x+b$，其中$a\in R^n,b\in R$。

$a,b$为函数的参数，也称为模型的参数。
$a$默认为是一个列向量，$a^t$表示$a$的转置。
eg:
$a=\left(\begin{array}{c}1\\ 2\\ 3\end{array}\right)$，则$a^t=(1,2,3)$

$a^{t}x=<a,x>=\sum _{i=1}^n{a}_i{x}_i$，$<a,x>$为$a,x$的内积。

因此，问题转化为了这样一个优化问题：
$minimize$ $d$，求参数$a,b$
即$\underset{(a,b)}{\mathrm{minimize}}$ $\sum _{i=1}^n(y_i-a^t{x}_i-b{)}^2$
一旦求解了这个优化问题，那么$a,b$就可以找到了。、
将$\underset{(a,b)}{\min }$ $\sum _{i=1}^n(y_i-a^t{x}_i-b{)}^2$记作$g(a,b)$,即：$g(a,b)=\underset{(a,b)}{\min }$ $\sum _{i=1}^n(y_i-a^t{x}_i-b{)}^2$,
后续课程会涉及到$g(a,b)$是一个凸函数，在最小值点$\Rightarrow$
${\partial }_{a}g=0$➡$n$个方程
${\partial }_{b}g=0$➡1个方程
共$n+1$个方程，解出$n+1$个变量，从而得出$a,b$的值。

$\partial$ 偏导数，也是偏微分

3、总结

3.1、做科研时，总是要去解决一个具体的问题，可以分为以下这么几步：
idea➡math(数学推演)➡optimization(优化问题)➡algo

3.2、在回归问题中，涉及到多元微积分，多元微积分是优化的基础，微积分与优化的关系如下：
一元微积分$\Rightarrow$多元微积分$\Rightarrow$优化$\Rightarrow$凸优化
前者均为后者的基础，无论是微积分还是优化，都是服务于机器学习的，机器学习中的很多算法，就是一个优化问题。