本文是【2025吴恩达机器学习课程笔记】全16篇系列文章的官方汇总目录帖。内容严格遵循吴恩达老师的教学大纲，覆盖了从监督学习（线性回归、逻辑回归、神经网络）、无监督学习（K-均值、PCA、异常检测）到强化学习（Q-Learning、DQN）的完整知识体系。本帖提供全系列博文的超链接导航，旨在为学习者构建一份清晰的学习路线图和一站式快速查阅指南。无论你是初学者系统入门，还是从业者巩固知识，这都是一份

本文是吴恩达机器学习课程的第一篇学习笔记，系统地介绍了机器学习的入门核心概念。文章首先对两大基本范式进行区分：利用带标签数据进行预测的“监督学习”（包含回归与分类），以及在无标签数据中探索内在结构的“无监督学习”（以聚类为例）。随后，文章聚焦于监督学习中的第一个具体算法——单变量线性回归，详细定义了其模型表示 f(x)=wx+b 及相关术语。最后，引入了衡量模型性能的关键工具“代价函数”，通过可视

本文介绍了PyTorch中神经网络的基本骨架nn.Module的使用方法，重点讲解了forward函数的定义与自动调用机制。通过简单代码示例展示了继承nn.Module构建自定义网络的过程。文章还深入解析了卷积操作原理，包括输入图像、卷积核和特征图的关系，以及步长、填充等核心参数的作用。最后通过PyTorch代码复现了卷积计算过程，演示了不同参数设置对输出结果的影响，帮助读者理解卷积神经网络的基础

本文介绍了神经网络训练中的损失函数与反向传播机制。文章首先阐述了损失函数的作用：量化模型预测与真实目标的差距，为反向传播提供依据。接着，重点讲解并用代码演示了L1 Loss、MSE Loss及CrossEntropy Loss三种常用损失函数的计算方法。文中还展示了如何在训练循环中集成损失计算，并阐明了反向传播正是利用计算出的损失值来调整网络参数，从而使模型预测不断逼近真实目标。全文结合图示与代码

本文介绍了完整的神经网络模型训练流程，分为两个核心部分：模型定义和训练脚本。在model.py中定义了Tudui卷积神经网络结构，包含3个卷积层和2个全连接层，适合处理CIFAR-10图像数据。train.py则实现了标准训练流程：准备数据集、创建模型实例、定义损失函数和优化器、设置训练循环（包含前向传播、计算损失、反向传播和参数更新四个步骤），以及添加测试评估和模型保存功能。文章详细讲解了卷积层

本文是吴恩达机器学习课程的第一篇学习笔记，系统地介绍了机器学习的入门核心概念。文章首先对两大基本范式进行区分：利用带标签数据进行预测的“监督学习”（包含回归与分类），以及在无标签数据中探索内在结构的“无监督学习”（以聚类为例）。随后，文章聚焦于监督学习中的第一个具体算法——单变量线性回归，详细定义了其模型表示 f(x)=wx+b 及相关术语。最后，引入了衡量模型性能的关键工具“代价函数”，通过可视

本文深入讲解了核心优化算法——梯度下降，阐述了其更新规则、学习率α的关键作用，并将其应用于线性回归的参数求解。文章进一步将模型扩展至多维特征场景，引入了向量化表示以提升计算效率，并简要提及了正规方程。最后，重点介绍了一个必不可少的实践技巧——特征缩放，通过分析其如何改善代价函数等高线图的形态，解释了为何它能显著加速梯度下降的收敛速度，并总结了Z-score标准化等常用实现方法。

本文以吴恩达机器学习教程为指导，首先探讨了线性回归的实践技巧，包括通过学习曲线调试梯度下降、选择合适的学习率α，以及利用特征工程和多项式回归拟合复杂数据。随后，文章转向分类问题，详细介绍了逻辑回归模型。内容涵盖了其核心的Sigmoid函数、作为概率的输出解读和决策边界的概念。最后，为逻辑回归推导了专用的对数损失（交叉熵）代价函数，确保了优化过程的凸性，并给出了其梯度下降的更新规则。

本文深入探讨了机器学习中关键的过拟合与欠拟合问题，解释了过拟合如何因模型过度复杂而损害其泛化能力。作为核心解决方案，文章详细介绍了正则化技术。其原理是在代价函数中引入一个惩罚项，通过限制参数 w 的大小来简化模型、使其更平滑。文中具体阐述了正则化参数 λ 如何平衡数据拟合与模型复杂度，并分别展示了正则化是如何被应用于线性回归和逻辑回归的代价函数及梯度下降算法中，以有效防止过拟合。

本文是神经网络的入门介绍，首先从其模拟生物大脑的灵感和发展历史讲起。文章详细阐述了神经网络的模型表示，解释了其由输入层、隐藏层和输出层构成的分层结构，以及单个神经元如何作为基本计算单元。核心部分深入讲解了“前向传播”过程，即数据从输入端开始，逐层计算神经元的激活值，直至抵达输出层的完整流程，并介绍了相应的数学符号。最后，通过实例展示了如何利用TensorFlow框架中的Dense层，以简洁的代码轻