入门Task1：《深度学习详解》（Datawhale X 李宏毅苹果书 AI夏令营）

前言 

文章概述《深度学习详解》- 1.1

书中介绍了机器学习的基本概念及其应用，包括回归、分类和结构化学习。通过对视频点击次数预测案例的学习，阐述了机器学习的三个步骤：构建模型、定义损失函数以及使用梯度下降法寻找最优参数。作者详细解释了如何通过未知参数来预测特定变量的值，并通过计算损失函数来评估模型的准确性。此外，讨论了梯度下降算法的工作原理及潜在问题，如局部最小值的存在。最后，文中展示了如何使用线性模型并结合梯度下降法来优化模型参数，从而提高预测精度。通过这个实例，读者能够理解机器学习的核心理念和实践方法。

---

个人学习笔记以及概念梳理，望对大家有所帮助。

---

思维导图1.1

机器学习的主要任务类型（补充）

涉及的一些术语

术语	定义与说明
回归 (Regression)	预测连续值输出的任务类型。例如预测未来的PM2.5数值。
分类 (Classification)	预测离散值输出的任务类型，通常涉及从预定义类别中选择一项。例如判断一封邮件是否为垃圾邮件。
结构化学习 (Structured Learning)	预测具有特定结构的输出的任务类型，如生成图像或文章。
特征 (Feature)	用于预测的数据点，如昨天的观看次数。
模型 (Model)	包含未知参数的函数，用于预测输出。
参数 (Par