摘要#

第一部分：线性回归#

预计整个模块学习时长： 80 分钟

本模块介绍线性回归的相关概念。

学习目标：

解释损失函数及其工作方式。

定义并说明梯度下降如何找到最优的模型参数。

说明如何调整超参数，以高效地训练线性模型。

先修要求：

本模块假设你已经熟悉以下模块中介绍的概念：

机器学习简介

本文来自 Google 机器学习速成课程（Machine Learning Crash Course），系统介绍线性回归的基本概念：包括线性回归的定义、如何用特征、权重与偏置构建预测模型，并通过汽车重量预测燃油效率的实例帮助初学者建立对回归 …

本文系统讲解线性回归中的损失函数（Loss Function）：介绍损失的概念与几何意义、MAE（平均绝对误差）、MSE（均方误差）、RMSE（均方根误差）的定义与公式差异，并对比说明如何根据数据特点（异常值敏感度、可解释性、量纲一致性）选 …

本文通过可交互的图表演示线性回归模型的训练过程：调整权重（Weight）和偏置（Bias）滑杆，观察模型预测线与数据点的拟合变化、均方误差（MSE）损失曲线的实时响应，让读者通过动手实验直观理解参数如何影响模型表现。

本文系统讲解梯度下降法（Gradient Descent）的数学原理与训练流程：权重和偏置的迭代更新公式、损失曲线的可视化、收敛判断与凸函数性质，并结合示例数据集帮助初学者建立对模型优化过程的直观理解。

本文系统讲解线性回归中的三大超参数：学习率（Learning Rate）对收敛速度的影响、批量大小（Batch Size）下随机梯度下降与小批量 SGD 的区别、训练轮数（Epoch）与参数更新次数的关系，帮助初学者掌握调节模型训练效果的关 …

本文通过三个动手任务，带你在交互式梯度下降实验中体会学习率对收敛速度和损失波动的影响，找到合适的学习率并理解其选择策略。