本周建立起“训练-验证-测试”的严谨评估思维，并与本科学习内容进行连接，运用函数进行偏差与方差的权衡，在模型调优时极具指导意义。本周学习了李宏毅老师机器学习课程的前四讲，根据本科数学分析中的函数分析方法进行机器学习整体概览回归案例分析（以宝可梦 CP 值预测为例）以及详解误差来源分析与模型选择（偏差与方差）· 高方差（过拟合）：训练误差低，测试误差高 → 增加数据量，正则化，使用早停或集成（如 B

本周周报基于机器学习课程第五至七讲内容，围绕分类问题、逻辑回归模型与深度学习展开梳理。明确分类任务与回归的本质差异，引出逻辑回归作为基础分类模型。通过最大似然估计推导交叉熵损失函数，逐步完成梯度计算的链式求导，并简要介绍了激活函数的非线性作用和反向传播的梯度计算思想。逻辑回归的第一步是对输入特征做一个线性加权求和但 z 可以取任意实数，而我们希望输出一个 0 到 1 之间的概率。于是引入 sigm

本周学习了深度学习、过拟合改进方法与卷积神经网络。具体了解了激活函数和优化器方面的演变与改进；了解了过拟合应对策略与正则化的必要性。本周学习使我对神经网络训练全流程建立了系统性认知。通过学习我发现各技术并非孤立技巧，而是针对特定问题提出的结构化解决方案。理解其设计动机与适用范围，是后续进行模型选型与调优的基础。

本周学习最后一节课程强化学习，这是机器学习中与监督、无监督并列的第三种学习范式。强化学习让智能体在环境中通过试错自主学会决策，广泛应用于游戏、机器人控制、推荐系统等领域。本周重点学习强化学习的数学框架和两种核心算法经过本节课粗略的学习与了解，发现强化学习是区别于监督学习的通过与环境交互的学习方式，这种试错学习的方式更接近人类和动物，我理解了为什么这种学习方式在游戏、机器人领域被高频使用。

本周学习了深度学习、过拟合改进方法与卷积神经网络。具体了解了激活函数和优化器方面的演变与改进；了解了过拟合应对策略与正则化的必要性。本周学习使我对神经网络训练全流程建立了系统性认知。通过学习我发现各技术并非孤立技巧，而是针对特定问题提出的结构化解决方案。理解其设计动机与适用范围，是后续进行模型选型与调优的基础。

本周建立起“训练-验证-测试”的严谨评估思维，并与本科学习内容进行连接，运用函数进行偏差与方差的权衡，在模型调优时极具指导意义。本周学习了李宏毅老师机器学习课程的前四讲，根据本科数学分析中的函数分析方法进行机器学习整体概览回归案例分析（以宝可梦 CP 值预测为例）以及详解误差来源分析与模型选择（偏差与方差）· 高方差（过拟合）：训练误差低，测试误差高 → 增加数据量，正则化，使用早停或集成（如 B