d2l 学习笔记：引言
核心概念 《动手学深度学习》(d2l) 引言部分笔记，涵盖机器学习核心概念和深度学习应用场景。
1. 基础数据相关术语
- 样本（sample）：一条独立观测数据，如一台服务器某时刻监控、一张图片、一行日志
- 特征（feature）：描述样本的属性指标，如CPU使用率、内存、像素值
- 特征向量（feature vector）：把单个样本所有特征按顺序拼成固定长度数字数组
- 维数/维度（dimensionality）：特征向量固定长度，代表该样本有多少个特征
- 标签（label）：监督学习中样本对应的真实结果，如0=正常、1=异常、图片分类“猫”
- 数据集（dataset）：大量样本的集合，分为训练集、验证集、测试集
- 训练集：用来更新模型参数，让模型学习规律
- 验证集：训练中评估效果、调整超参数，防过拟合
- 测试集：训练完成后仅使用一次，衡量模型真实泛化能力
2. 模型相关核心术语
- 模型（model）：特征到预测值的数学映射函数，神经网络、线性回归都属于模型
- 参数（parameter）：模型内部可自动学习的数值（权重w、偏置b），存储模型学到的规律，训练中梯度下降自动更新
- 超参数（hyperparameter）：人工提前设定、训练不会自动更新的配置，如学习率、网络层数、batch大小
- 预测值（prediction）：输入特征后模型输出的计算结果
- 损失函数（loss function）：衡量预测值与真实标签的差距，差距越大损失越高，是更新参数的依据
3. 训练与优化术语
- 训练（train / fit）：用训练集数据不断调整参数，最小化损失函数的全过程
- 梯度下降（gradient descent）：核心优化算法，沿着损失减小的方向迭代更新参数
- 迭代/轮次（epoch）：完整遍历一遍全部训练集样本称为1个epoch
- 泛化（generalization）：模型在从未见过的新样本上依然准确预测的能力
- 过拟合（overfitting）：模型死记训练集细节，新未知样本预测效果差，泛化能力弱
4. 任务分类术语
- 监督学习（supervised learning）：数据集同时有特征+人工标签，如异常分类、房价预测
- 无监督学习（unsupervised learning）：只有特征、无标签，模型自动挖掘数据规律，如日志聚类
- 回归任务：输出连续数字（预测未来CPU占用、流量数值）
- 分类任务：输出离散类别（区分正常/故障、区分猫狗图片）
关联文档