与或图，是将复杂问题拆解为子问题，并表达子问题间“并且（与）/或者（或）”逻辑的有向图，它的节点分为与节点（其子节点必须全真才真）和或节点（其子节点必须全假才假）。普通的状态图等同于一个全是或节点的与或图。与或图搜索的难点在于，一方面，其必须一边扩展节点一边判断子节点和父节点的逻辑关系；另一方面，当

在机器学习任务中，我们通常将原始数据集划分为三个互斥的部分：训练集、验证集和测试集。这种划分是评估模型泛化能力、防止过拟合的基础。同时，偏差与方差的权衡贯穿模型选择与评估的始终，是理解模型行为、指导改进方向的核心视角。 1. 数据集划分与模型拟合理论 - 训练集、验证集、测试集的定义与功能 - 常见

线性回归是有监督学习中最基础、应用最广泛的回归算法，核心用于解决连续型数值预测问题。其核心思想是：假设输入特征与输出目标之间存在近似线性的映射关系，通过构建特征的线性组合来逼近真实输出。即便在大模型时代，线性模型依然是结构化数据预测、风控评分卡、运营分析等工业场景的首选基线方案。 1. 线性回归算法

不得不说，笔者整理完笔记到自己博客上写这段碎碎念的时候是又气又笑的。笑的是这是本科NLP最后一章内容了，也算是又吃下了一大本知识。气的是到底是谁想的把循环神经网络(RNN)、长短期记忆网络(LTSM)、Transformer放在一章讲完的。笔者写这章笔记头都写晕了，好多东西课上也不说，笔者为了稍微了

按道理来讲这篇笔记该第一个发的，但是笔者整理笔记的时候觉得这章不重要就直接跳过了。这章的内容也确实不难，大部分内容也是了解即可，为数不多需要记的就是那几个常用的正则表达式和字符编辑距离的计算（话说这算法被出成动态规划算法题出现在各位的考试中的概率真不低）。总之要是你要是按笔者发布笔记的时间顺序阅读的