最后，通过偏差与方差的核心理论，剖析了模型的误差来源，清晰区分了欠拟合与过拟合的核心特征，并掌握了两类模型问题的优化改进思路。通过本次学习，我不仅梳理了机器学习的整体运行逻辑，更打破了“仅追求训练集高精度”的认知误区，深刻理解了模型训练的核心目标是提升泛化能力，保障模型在真实未知场景中能够稳定输出优质结果。模型优化的核心目标，并非一味提升模型复杂度，而是在偏差与方差之间寻找最优平衡，让模型既能够精

本周主要学习 Convolutional Neural Networks（卷积神经网络，CNN）的基础原理与典型结构。卷积神经网络是深度学习中处理图像任务最经典的模型之一，它通过局部感受野、参数共享和分层特征提取机制，更高效地处理具有空间结构的数据。学习内容包括卷积运算的基本思想、Padding（填充）与 Stride（步长）对输出结果的影响、Pooling（池化）在降维和保留关键特征中的作用、多