第0节课程笔记，机器学习与深度学习介绍机器学习：让机器自己学会一种规则，具有数学上的可解释性，但是准确率不是百分之百，不够灵活深度学习：设计一个很深的网络架构让机器自己学，像一个黑匣子、函数f，实践性的项目，可解释性比较差

面对不同的项目工程，我们需要不同的python、pytorch、sklearn的版本来搭配使用，也存在不同的模型在不同版本时期诞生和使用，如学习A模型用到了B版本的PyTorch。anaconda这个软件可以实现不同的环境配置之间的搭配，无需在电脑上同时安装多个版本的软件，即可实现不同版本环境的使用。#有时候配置环境会浪费我们一个周的时间，所以如果碰巧安装+环境配置好了，作为一个重要的基础步骤，必

机器学习中的分类问题与卷积神经网络（CNN）的核心概念。分类问题需通过独热编码输出类别概率分布，采用交叉熵损失衡量预测误差。重点解析了CNN的工作原理：卷积核通过局部特征提取生成新特征图，其尺寸受输入大小、padding和卷积核尺寸影响；通过池化（最大池化为主）实现降维；最终通过全连接层输出分类结果。还探讨了Softmax函数和交叉熵损失的应用，并指出训练需要大量标注数据（如MNIST、COCO等

介绍了神经网络深度学习项目的基本框架，重点阐述了数据处理、模型构建、超参设置和训练流程四个核心环节。项目采用李宏毅老师的Kaggle数据集，包含2000多组90维特征数据，使用独热编码处理分类变量。训练过程强调合理划分训练集、验证集和测试集（8:2比例），并详细说明了batch训练的重要性。文章还提供了代码实现要点，包括必要的库导入、数据加载器使用和模型结构设计注意事项（维度匹配等）。通过epoc