人工智能算法包括几个部分：
    x是模型的输，y是模型的输出，模型就是对输入转化为输出的计算。比如输入x可以是一张图片(如猫的图片)，模型对图进计算处理，然后输出这张图片上对应的物品的类别(猫)。
    我们可以把算法理理解成一个函数：y=f(x)，这里面输⼊是x，输出是y，模型对应的是映射规则f。
    对于⼀一个具体的问题，我们可以获取到⼤量的(x，y)，人工智能算法就是从这些数据中学习规律，找到映射规则f。所以，人工智能算法学习规律就是确定x到y的映射规则f。
    为了让大家能理解人工智能算法的学习过程，我们一起来看个简单的例例子：
    下面是某个小区的房价和房屋面积的数据。
    小区数据1
    现在要利人工智能的算法去学习房屋面积和房屋价格的规律，也就是根据房屋的面积如何计算得到房屋的价格。模型的输入是房屋面积，模型的输出是房屋价格。我们可以建立这样的模型：y=wx+b，其中，w和b是未知的，调整w和b的值可以得到不同的映射规则。我们知道，y=wx+b表示的是二维平面内的一根直线，调整w和b的值可以得到不同的的直线。
    接下来我们一起看下如何去确定w和b的值。
    首先，我们先不管w和b取什么值，我们直接把输入代入模型，可以得到模型的输出值，我们称模型的输出为预测值。数据如下表：
    小区数据2
    接着，我们只要调整w和b的值，让预测房价尽量量接近真实房价。
    那我们怎么调整w和b呢?一个一个尝试不同的取值吗?
    我们知道，不管是w还是b，都是有无限种可能取值的，遍历它们的所有可能取值显然是不现实的。
    那么有没有方法可以指引我们去找到最优的w和b呢?答案是有的。
    回忆一下，高中数学课程里面我们是不是做过这样一件事情：给定一个函数，求函数值的最小值以及此时自变量的值。
    基于这样的思路路，我们做下面这样的操作：
    人工智能算法函数
    这里我们就得到了一个函数，函数的自变量是w和b。大家观察这个函数，j的值越小，是不是越接近?
    这时候我们求j这个函数的值最小的时候对应的w和b的取值，是不是就得到了我们需要找的最优的w和b的值?
    答案是肯定的，人工智能算法就是这样做的。
    上面我们构造的函数，在人工智能算法里面叫损失函数，求损失函数的值最小时，可训练参数(w和b）的值的方法是梯度下降。关于损失函数和梯度下降的内容，我们后面再深入去讲解。