神经网络的"学习"的学习是指从训练数据自动获取最有权重参数的过程。
神经网络的特征就是可以从数据中学习即由数据自动决定权重参数的值。
机器学习通常是认为确定一些特征量，然后机器从特征量去学习，而神经网络则是将确定特征量这一步也交给机器

训练数据（Training Data）是用于训练机器学习模型的数据集。在监督学习中，训练数据通常包括输入数据（特征）和相应的标签（目标），模型通过观察这些数据并调整参数来学习输入与输出之间的关系。训练数据是模型学习的主要来源，其目标是使模型能够对新的、未见过的数据做出准确的预测或分类。

测试数据（Test Data）则是用于评估模型性能的数据集。与训练数据类似，测试数据也包括输入数据和相应的标签，但这些数据是模型在训练过程中未曾见过的。通过在测试数据上进行评估，可以更客观地评估模型的泛化能力，即模型对未知数据的适应能力。通常，测试数据用于评估模型在真实世界中的表现，并帮助确定模型是否能够泛化到新的数据。

泛化能力（Generalization）是指模型对未曾见过的数据的适应能力。一个具有良好泛化能力的模型能够在未见过的数据上表现良好，而不仅仅是在训练数据上表现好。通过在训练数据上调整参数，并在测试数据上进行评估，可以评估模型的泛化能力。泛化能力是机器学习中一个重要的性能指标，因为它决定了模型在实际应用中的效果。

监督数据（Supervised Data）是一种标记数据，包含了输入数据和相应的标签或输出。在监督学习中，监督数据用于训练模型，模型通过观察输入数据与标签之间的关系来学习。监督学习包括分类和回归等任务，其中分类任务的标签是离散的，而回归任务的标签是连续的。监督数据是训练和评估监督学习模型的基础，因为模型需要通过观察这些数据来学习输入和输出之间的映射关系

过拟合（Overfitting）是指机器学习模型在训练数据上表现得过于优秀，以至于在未见过的测试数据上表现不佳的现象。当模型过于复杂或过度拟合训练数据时，它可能会学习到训练数据中的噪声或不相关的特征，导致在新数据上的泛化能力下降。