1.机器学习：就是让机器具备找函式（寻找规律）的能力。
2.不同类型的函式：
回归：函数输出一个数值，输入可能是多种能够判断输出结果的指标，预测连续数值。
分类：给定选项类，函式输出正确的选项，预测离散类型。
如何找到函式：a.假设函数y（y就是模型，可带有未知参数）；b.根据训练数据定义损失L（判断模型的好坏，实际也是一个函数）；c.优化(Optimiztion)，找最佳的y中的未知参数，使得损失最小。
MAE：均值绝对误差，e=|y-y'|（y'为预测值，y为真实值）
MSE：均方差，e=(y-y')²（y'为预测值，y为真实值）
：学习率，寻找未知参数的最佳值时用到
3.模型分为：线性模型、非线性模型
liner function：（会具有模型偏差）
Sigmoid function：(w改变斜率、b改变左右位置、c改变上下高度)
Rectified Liner Unit（RLU）
4.深度学习：由多个神经元组成神经层，从而构成深度神经网络的机器学习。
神经元 (Neuron)：基本计算单元，接收输入，加权求和，通过激活函数输出（相当于过滤器）。
层：输入出、隐藏层（进行特征提取和变换）、输出层。
激活函数：让网络拟合出复杂的曲线。（ReLU、Sigmoid）
5.常见的网络架构：
CNN（卷积神经网络）：处理网络状数据。（图像）
RNN（循环神经网络）：处理序列数据，具有"记忆"特点。（文本）
GAN（生成对抗网络）：生成内容。
6.（AI生成）
| 术语 | 解释 | 通俗理解 |
|---|---|---|
| 特征 (Feature) | 输入数据的属性 | 比如预测房价，特征就是"面积"、"地段"、"房龄"。 |
| 标签 (Label) | 想要预测的目标值 | 比如预测房价，标签就是具体的"价格"。 |
| 模型 (Model) | 经过训练后的算法文件 | 就像学生学完知识后的大脑，可以用来做题。 |
| 训练集/测试集 | 用于训练和验证的数据划分 | 训练集是"课本"，测试集是"期末考试题"。 |
| 损失函数 (Loss) | 衡量预测值与真实值差距的公式 | 考试扣了多少分，分数越低越好。 |
| 优化器 (Optimizer) | 用于更新模型参数的算法 | 老师根据错题指导学生如何改进学习方法（如 SGD, Adam）。 |
| 梯度下降 (Gradient Descent) | 寻找损失函数最小值的方法 | 下山的过程，一步步往坡度最陡的地方走，直到谷底。 |
| 过拟合 (Overfitting) | 模型在训练集表现好，测试集表现差 | "死记硬背"，课本题都会，考试换个题就不会了。 |
| 欠拟合 (Underfitting) | 模型在训练集和测试集表现都差 | "没学懂"，课本题都不会。 |
| 超参数 (Hyperparameter) | 训练前人工设定的参数 | 如学习率、网络层数（类似于"每天学几小时"）。 |
7.训练损失
8.过拟合
表现：训练集准确率很高，但测试集/验证集准确率很低）。
本质：模型太复杂，记住了数据中的"噪声"而不是"规律"。
解决方法：
增加训练数据
数据增强（没有足够的数据，需要对原数据进行变换）
给模型进行限制：减少参数、使用共享参数、去掉不相关或冗余的特征、早停法（early stopping）、正则化技术（Regularization）、Dropout。
9.欠拟合
表现：训练集准确率低，测试集/验证集准确率很低。
本质：模型太简单。
解决方法：
增加模型复杂度
减少正则化
增加新特征
增加训练时间（epoch）