reorg dl basics

chapter_deep-learning-basics/dropout-gluon.md

-# 丢弃法——使用Gluon
+# 丢弃法的Gluon实现
 
 本节中，我们将上一节的实验代码用Gluon实现一遍。你会发现代码将精简很多。
 

chapter_deep-learning-basics/dropout-scratch.md → chapter_deep-learning-basics/dropout.md

-# 丢弃法——从零开始
+# 丢弃法
 
 除了前两节介绍的权重衰减以外，深度学习模型常常使用丢弃法（dropout）来应对过拟合问题。丢弃法有一些不同的变体。本节中提到的丢弃法特指倒置丢弃法（inverted dropout）。它被广泛使用于深度学习。
 

chapter_deep-learning-basics/index.md

@@ -7,21 +7,21 @@
 .. toctree::
    :maxdepth: 2
 
-   shallow-model
+   linear-regression-concepts
    linear-regression-scratch
    linear-regression-gluon
-   classification
+   softmax-regression-concepts
    softmax-regression-scratch
    softmax-regression-gluon
-   multi-layer
+   mlp-concepts
    mlp-scratch
    mlp-gluon
    underfit-overfit
-   reg-scratch
+   reg
    reg-gluon
-   dropout-scratch
+   dropout
    dropout-gluon
    backprop
-   kaggle-gluon-kfold
+   kaggle-house-price
 
 ```

chapter_deep-learning-basics/shallow-model.md → chapter_deep-learning-basics/linear-regression-concepts.md

-# 单层神经网络
+# 线性回归的概念
 
 
 在本章的前几节，让我们重温一些经典的浅层模型，例如线性回归和Softmax回归。前者适用于回归问题：模型最终输出是一个连续值，例如房价；后者适用于分类问题：模型最终输出是一个离散值，例如图片的类别。这两种浅层模型本质上都是单层神经网络。它们涉及到的概念和技术对大多数深度学习模型来说同样适用。

chapter_deep-learning-basics/linear-regression-gluon.md

-# 线性回归——使用Gluon
+# 线性回归的Gluon实现
 
 随着深度学习框架的发展，开发深度学习应用变得越来越便利。实践中，我们通常可以用比上一节中更简洁的代码来实现相同模型。本节中，我们将介绍如何使用MXNet提供的Gluon接口更方便地实现线性回归的训练。
 

chapter_deep-learning-basics/linear-regression-scratch.md

-# 线性回归——从零开始
+# 线性回归的从零开始实现
 
 在了解了线性回归的背景知识之后，现在我们可以动手实现它了。
 尽管强大的深度学习框架可以减少大量重复性工作，但若过于依赖它提供的便利，我们就会很难深入理解深度学习是如何工作的。因此，本节将介绍如何只利用NDArray和`autograd`来实现一个线性回归的训练。

chapter_deep-learning-basics/multi-layer.md → chapter_deep-learning-basics/mlp-concepts.md

-# 多层神经网络
+# 多层感知机的概念
 
 我们已经介绍了包括线性回归和Softmax回归在内的单层神经网络。本节中，我们将以多层感知机（multilayer perceptron，简称MLP）为例，介绍多层神经网络的概念。
 

chapter_deep-learning-basics/mlp-gluon.md

-# 多层感知机——使用Gluon
+# 多层感知机的Gluon实现
 
 下面我们使用Gluon来实现上一节中的多层感知机。首先我们导入所需的包或模块。
 

chapter_deep-learning-basics/mlp-scratch.md

-# 多层感知机——从零开始
+# 多层感知机的从零开始实现
 
 我们已经从上一章里了解了多层感知机的原理。下面，我们一起来动手实现一个多层感知机。首先导入实现所需的包或模块。
 

chapter_deep-learning-basics/reg-gluon.md

-# 权重衰减——使用Gluon
+# 权重衰减的Gluon实现
 
 本节将介绍如何使用Gluon实现上一节介绍的权重衰减。首先导入实验所需的包或模块。
 

chapter_deep-learning-basics/reg-scratch.md → chapter_deep-learning-basics/reg.md

-# 权重衰减——从零开始
+# 权重衰减
 
 上一节中我们观察了过拟合现象，即模型的训练误差远小于它在测试数据集上的误差。本节将介绍应对过拟合问题的常用方法：权重衰减。
 

chapter_deep-learning-basics/classification.md → chapter_deep-learning-basics/softmax-regression-concepts.md

-# 分类模型
+# Softmax回归的概念
 
 前几节介绍的线性回归模型适用于输出为连续值的情景，例如输出为房价。在其他情景中，模型输出还可以是一个离散值，例如图片类别。对于这样的分类问题，我们可以使用分类模型，例如softmax回归。和线性回归不同，softmax回归的输出单元从一个变成了多个。本节以softmax回归模型为例，介绍神经网络中的分类模型。Softmax回归是一个单层神经网络。
 

chapter_deep-learning-basics/softmax-regression-gluon.md

-# Softmax回归——使用Gluon
+# Softmax回归的Gluon实现
 
 我们在[“线性回归——使用Gluon”](linear-regression-gluon.md)一节中已经了解了使用Gluon实现模型的便利。下面，让我们使用Gluon来实现一个Softmax回归模型。
 

chapter_deep-learning-basics/softmax-regression-scratch.md

-# Softmax回归——从零开始
+# Softmax回归的从零开始实现
 
 下面我们来动手实现Softmax回归。首先，导入实验所需的包或模块。