1. PyTorch概述

1. 课程目标 使用PyTorch实现学习系统 理解神经网络/深度学习的基本概念     2. 所需基础 线性代数、概率论 Python     3. 机器学习算法与数据结构算法的区别 之前的算法有穷举、贪心、动规、分治等等。当遇到一个问题的时候，需要基于这些思维方法，人工设计出一套计算的过程。 但是在机器学习里面，算法不是设计出来的。而是有数据集，通过数据集把想要的算法给找出来。这就是一个机器学习的过程。     4. 维度灾难 样本feature数量为n，n越大则对样本的需求越多。 比如数据只有一个feature，那么就是在一维空间里面进行采样，假设采了10个样本就能够满足大数定律，能够表示原来的数据。 如果数据有2个特征，那么就是在2个feature的空间里进行采样，这时候需要10*10的样本，这样密度才能跟前面的对应。 如果数据有3个特征，在3维空间采样，需要10^3，才能维持相同的密度。 。。。 featrue为n,对数据的需求量越大。   收集数据本身工作量就非常大。所以数据集是非常贵的。         5. 模型     6. 框架 pytorch 、 TensorFlow