网络结构：输入→隐藏（ReLU）→输出（分类用 SoftMax / 二分类 Sigmoid，回归直接输出）；训练三要素：损失函数（分类交叉熵、回归 MAE/MSE）、优化器（首选 Adam）、正则化（Dropout+BN）；实践流程：数据准备→模型构建→训练（反向传播）→评估→调优。

聚类算法是一种，核心逻辑是依据样本间的相似性将数据自动划分到不同类别，无需预先标注类别标签。其核心目标是在缺乏先验知识的情况下，挖掘数据集中隐藏的内在结构与模式。相似性度量：常用欧式距离（适用于连续型数据，计算两点在多维空间中的直线距离），但并非唯一方式，还包括曼哈顿距离（适用于高维数据，降低异常值影响）、余弦相似度（适用于文本、图像等向量数据，衡量方向相似性）等。聚类准则：不同准则会产生不同结果

集成学习是机器学习中的重要思想，通过组合多个（性能略优于随机猜测的模型，如简单决策树），构建出精度更高、泛化能力更强的。训练时按特定策略依次训练弱学习器，预测时通过弱学习器联合决策输出结果。

逻辑回归的核心作用是（比如 “是 / 否”“好 / 坏”“流失 / 不流失”），无法直接处理多分类问题（多分类需通过 “一对多”“一对一” 等策略扩展）。

网络结构：输入→隐藏（ReLU）→输出（分类用 SoftMax / 二分类 Sigmoid，回归直接输出）；训练三要素：损失函数（分类交叉熵、回归 MAE/MSE）、优化器（首选 Adam）、正则化（Dropout+BN）；实践流程：数据准备→模型构建→训练（反向传播）→评估→调优。

网络结构：输入→隐藏（ReLU）→输出（分类用 SoftMax / 二分类 Sigmoid，回归直接输出）；训练三要素：损失函数（分类交叉熵、回归 MAE/MSE）、优化器（首选 Adam）、正则化（Dropout+BN）；实践流程：数据准备→模型构建→训练（反向传播）→评估→调优。

PyTorch 是一款 Python 深度学习框架，其核心是—— 元素为同一种数据类型的多维矩阵，以 “类” 的形式封装，内置了张量运算、处理等方法，是深度学习中数据存储和计算的基础单元。