本周的学习搭建了机器学习的基础框架，纠正了 “AI = 复杂规则” 的误区，理解了 “从数据中学习” 才是机器学习的核心逻辑。课程以猫狗识别为例：除了标注的猫狗图片，还可以用大象、老虎、动漫角色等其他数据，帮助模型学习通用的图像特征，提升对猫狗识别任务的适配能力。Step 2：定义函数的 “好坏”（评估指标 / 损失函数）：基于训练数据，判断一个函数的预测结果与真实标签的差距，差距越小，函数表现越

完成模型定义后，需要量化评估不同模型的拟合优劣，课程采用平方误差损失函数衡量模型预测值与真实值的差距，核心逻辑为损失值越小，模型拟合效果越优异。在完成回归建模与梯度下降优化的基础上，课程深入讲解模型误差的核心来源，重点区分偏差、方差两大核心指标，从原理层面解释模型出现欠拟合、过拟合问题的根本原因，明确模型调优的核心思路。：作为核心超参数，主要控制参数更新的步长。方差偏大时，代表模型结构过于复杂，拟

随后重点学习了反向传播算法，依托链式求导法则，完整梳理了前向传播计算、误差反向传递以及参数梯度更新的完整流程，弄懂梯度下降在神经网络训练中的具体计算逻辑，了解深度模型训练的核心流程，完成了从传统线性模型到深度神经网络的学习过渡。本周系统掌握了深度学习入门知识与反向传播核心算法，完成了从浅层模型到深度神经网络的知识进阶，理清了多层感知机的完整结构，弄懂了激活函数赋予网络非线性拟合能力的底层逻辑，也明

本周学习李宏毅《机器学习》第 8-1、8-2、8-3 三讲内容，主题为深度学习实战 Hello World，以经典手写数字 MNIST 数据集为实战案例，从零完成神经网络的搭建、训练、测试全流程。Keras 是基于 TensorFlow 后端的高层深度学习 API，封装了大量神经网络底层运算，不用手动实现前向传播、反向传播、梯度求导等复杂数学过程，仅需简单几行代码就能快速搭建、训练神经网络，极大降

分类是监督学习中与回归并列的核心任务，与回归输出连续数值不同，分类任务的目标是输出离散的类别标签，广泛应用于垃圾邮件识别、图像分类、用户行为预测等场景。逻辑回归（Logistic Regression）是分类任务中最基础的判别式模型，直接学习从特征到类别概率的映射，而非建模数据的生成过程，是后续深度学习分类任务的基础。：平方误差在 Sigmoid 函数的饱和区梯度趋近于 0，会导致梯度消失，而交叉