2026年3月2日

15~19页

2 监督学习

之前有过基本的了解，其实就是针对固定的输入，经过一系列的计算方法，算出一个结果，因为是监督学习，所以算法是有固定的预测结果的，对于同样的样本数据，训练出来的结果是比较相同的，具体涉及的一些问题，就需要书中协助解答。

2.1

就是上面的解释。

多了一个概念，损失函数，含义是模型基于当前参数 预测训练数据输出与实际输入的不匹配程度。

训练的过程，就是寻找损失最小的过程，这个其实像是逼近定理，取的是一个极值，并不是最值，有本质的差别

2.2 线性回归示例

这个比较容易理解，在高中与大学期间，手动计算过线性回归的参数数据，当时计算的脑袋都能大，但是现在已经忘得干净，只记得有这么个东西，基于大模型的训练，其实也是这个线性回归的计算，从手动计算，转换成了自动计算，甚至于现在的python 都已经开发出了比较简单的一个函数就能够计算出来。

2.2.2 损失 loss

对每组参数赋予一个数值，用来表示不匹配程度，这个值，称为损失，损失越低，表示拟合的越好。

书中介绍了一个公式，其实就是最小二乘法。

本节主要介绍的就是最小二乘法的，略作介绍而已，作者留了一个口子，第5章会继续讲解最小二乘法的内容。

2.2.3 训练

选择随机初始值，通过不断下降损失函数，直到最低点

今日总结

第二章的内容，所有内容在之前都有过了解，特别是损失函数，其实就是最小二乘法的应用，在大学里面计算到手软的一个虐心指标。

截止目前，书中的内容都是有所了解的，所以进度很快，三天就已经到了第22页，比计划中的速度快了一倍，希望未来是同样的进度。