提示：本文是我参加datawhale活动的读书笔记，这是第一章的阅读笔记

---

前言

随着大数据和算力的大幅提升，基于数据学习的解决方案正取代基于人工设计的解决方案

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、深度学习能做什么？

作者举例如下几个例子：

• 图像分类：医疗检查
• 蛋白质结构预测：生物医学领域突破，节省大量人力
• 图像合成：人脸伪造
• 大语言模型
  作者具体用了一个大语言模型生成莎士比亚的对话例子，来展示大语言模型的强大
  

二、教学案例

作者以多项式拟合曲线为例引入，这个例子感觉像记单词中的abandon（非常常见 ）

• 线性模型：
• 误差函数
  
• 过拟合：能够很好的识别训练数据，但是无法对测试数据的预测效果不佳，数据集越大，过拟合现象约不明显
• 启发式经验：训练数据点的数量应至少是模型参数的若干倍(不一定准确)
• 正则化项：通过设置在损失函数中添加一个惩罚项来控制权重大小
  这里的$\lambda$用来衡量误差和与正则化项之间的
• k折交叉技术：简单来说把其分为k份，其中一份用作测试，其他用做训练。如此反复选择不同的一份作为测试进行k次
• 自动微分：什么是自动微分？- ariseffa
  补充知识：计算图

总结

由于还有期末考试，这次对于历史介绍部分，我基本掠过，这本书阅读体验暂时来看挺好（萌新瑟瑟发抖 ）教学案例的安排使得阅读与实践相结合，推荐。
这里仔细回顾了一下计算图的概念，发现了其本质的东西，就是链式求导。