提示：本文是我參加datawhale活動的讀書筆記，這是第一章的閱讀筆記

---

前言

隨著大數據和算力的大幅提升，基于數據學習的解決方案正取代基于人工設計的解決方案

---

提示：以下是本篇文章正文內容，下面案例可供參考

一、深度學習能做什么？

作者舉例如下幾個例子：

• 圖像分類：醫療檢查
• 蛋白質結構預測：生物醫學領域突破，節省大量人力
• 圖像合成：人臉偽造
• 大語言模型
  作者具體用了一個大語言模型生成莎士比亞的對話例子，來展示大語言模型的強大
  

二、教學案例

作者以多項式擬合曲線為例引入，這個例子感覺像記單詞中的abandon（非常常見 ）

• 線性模型：
• 誤差函數
  
• 過擬合：能夠很好的識別訓練數據，但是無法對測試數據的預測效果不佳，數據集越大，過擬合現象約不明顯
• 啟發式經驗：訓練數據點的數量應至少是模型參數的若干倍(不一定準確)
• 正則化項：通過設置在損失函數中添加一個懲罰項來控制權重大小
  這里的$\lambda$用來衡量誤差和與正則化項之間的
• k折交叉技術：簡單來說把其分為k份，其中一份用作測試，其他用做訓練。如此反復選擇不同的一份作為測試進行k次
• 自動微分：什么是自動微分？- ariseffa
  補充知識：計算圖

總結

由于還有期末考試，這次對于歷史介紹部分，我基本掠過，這本書閱讀體驗暫時來看挺好（萌新瑟瑟發抖 ）教學案例的安排使得閱讀與實踐相結合，推薦。
這里仔細回顧了一下計算圖的概念，發現了其本質的東西，就是鏈式求導。