近期学习了李宏毅老师的深度学习课程，其中关于“回归（Regression）”“误差来源（Error Source）”以及“梯度下降（Gradient Descent）”三个部分让我对机器学习的基本思想有了更加系统的认识。未来，我希望继续深入学习神经网络、反向传播（Backpropagation）以及Transformer等内容，并尝试利用Python实现简单的机器学习模型，将理论与实践结合起来，不

在前期回归、误差分析、梯度下降的基础上，我系统掌握了机器学习分类任务的核心逻辑、建模思路与经典算法，厘清了回归与分类的本质区别，理解了概率式分类模型的工作原理，对监督学习的两大核心任务形成了完整、系统的认知。不同于回归问题预测连续数值，分类问题的核心是根据输入数据，预测离散的类别，输出结果为有限、确定的分类标签。同时我掌握了分类任务的基础流程：依托带类别标签的训练数据，学习输入特征与输出类别之间的

其核心原理是依托已知的数据集，挖掘输入数据与输出结果之间的潜在函数关系，构建拟合模型，从而实现对未知数据的精准预测，广泛应用于生活各类预测场景，例如房价预测、电力能耗预估、数值拟合预测等。损失函数的数值直接反映模型预测误差，模型训练的核心目标，就是通过持续迭代，不断最小化损失函数数值，提升模型预测精度。通过对回归建模、误差来源、梯度下降三大基础内容的系统学习，我梳理出了深度学习模型训练的完整基础逻

核心特征提取模块，使用固定尺寸卷积核在图像特征图上按设定步长滑动，对应位置像素相乘求和，生成新特征图。只要是图像里相同的基础特征，无论出现在左上角还是右下角，都用同一组参数检测，极大压缩模型参数量，同时实现特征通用提取。依托参数共享特性，若图像中目标物体发生小幅平移，卷积核依然能检测到该特征，输出的特征图会同步平移，模型不会因为物体位置偏移就无法识别，大幅提升图像识别鲁棒性。经过多轮卷积+池化提取

近期学习了李宏毅老师深度学习课程中的集成学习（Ensemble Learning） 章节，系统学习了集成学习的核心思想、误差优化原理、Bagging、Boosting、Stacking 三大主流框架。相较于单个模型训练，集成学习通过多模型融合大幅降低模型泛化误差，是机器学习提升精度最核心、最实用的手段之一。用多层模型嵌套，第一层多种模型提取特征，第二层模型学习融合权重，拟合能力最强。串行训练模型，

本次学习了李宏毅老师深度学习课程中的半监督学习内容。传统监督学习极度依赖大量带标签样本，但在真实场景中标注成本极高，无标签数据数量极其庞大。半监督学习的核心目标就是，在几乎零成本的情况下提升模型泛化能力，是现代深度学习非常重要的学习范式。一、半监督学习基本定义设数据集分为两部分：1.有标签数据集：2.无标签数据集：其中满足 U>>R 监督学习仅使用 R 条数据，而。二、半监督学习的两大核心假设半监

近期学习了李宏毅老师深度学习课程中的迁移学习相关章节，该内容完美解决了我此前学习中“模型训练依赖海量数据、从零训练成本高”的困惑。迁移学习作为深度学习中重要的进阶知识点，打破了传统机器学习模型独立训练、互不通用的局限，让我对模型训练、数据利用、泛化能力优化有了全新且系统的认知。

近期学习了李宏毅老师的深度学习课程，其中关于“回归（Regression）”“误差来源（Error Source）”以及“梯度下降（Gradient Descent）”三个部分让我对机器学习的基本思想有了更加系统的认识。未来，我希望继续深入学习神经网络、反向传播（Backpropagation）以及Transformer等内容，并尝试利用Python实现简单的机器学习模型，将理论与实践结合起来，不

在前期回归、误差分析、梯度下降的基础上，我系统掌握了机器学习分类任务的核心逻辑、建模思路与经典算法，厘清了回归与分类的本质区别，理解了概率式分类模型的工作原理，对监督学习的两大核心任务形成了完整、系统的认知。不同于回归问题预测连续数值，分类问题的核心是根据输入数据，预测离散的类别，输出结果为有限、确定的分类标签。同时我掌握了分类任务的基础流程：依托带类别标签的训练数据，学习输入特征与输出类别之间的

近期学习了李宏毅老师深度学习课程中的集成学习（Ensemble Learning） 章节，系统学习了集成学习的核心思想、误差优化原理、Bagging、Boosting、Stacking 三大主流框架。相较于单个模型训练，集成学习通过多模型融合大幅降低模型泛化误差，是机器学习提升精度最核心、最实用的手段之一。用多层模型嵌套，第一层多种模型提取特征，第二层模型学习融合权重，拟合能力最强。串行训练模型，