机器学习

入门

下一步 机器学习简介理解机器学习定义、主要类型与应用场景 30 分钟 Python编程基础掌握Python语法及常用数据结构与库 30 分钟 线性代数基础理解向量、矩阵运算与特征值分解 30 分钟 概率统计基础掌握概率分布、期望与统计推断基础 30 分钟 数据预处理学习数据清洗、标准化和训练测试划分 30 分钟· 先懂：Python编程基础 线性回归拟合特征与连续输出之间的线性关系 30 分钟· 先懂：线性代数基础、概率统计基础、数据预处理 梯度下降迭代优化损失函数直至收敛的核心算法 30 分钟· 先懂：线性回归 逻辑回归用sigmoid函数将线性输出映射为概率做二分类 30 分钟· 先懂：概率统计基础、线性回归、梯度下降 模型评估基础使用准确率、精确率、召回率等指标评估模型 30 分钟· 先懂：逻辑回归

进阶

决策树基于特征划分的树状结构用于分类与回归 30 分钟· 先懂：模型评估基础 随机森林集成多棵决策树并通过投票或平均提升泛化 30 分钟· 先懂：决策树 支持向量机寻找最大间隔超平面进行分类的判别模型 30 分钟· 先懂：线性代数基础、模型评估基础 正则化与偏差方差用正则项控制复杂度，平衡欠拟合与过拟合 30 分钟· 先懂：线性回归、模型评估基础 K均值聚类无监督地将样本迭代划分到K个簇中心 30 分钟· 先懂：数据预处理 主成分分析通过线性变换提取数据主要方差实现降维 30 分钟· 先懂：线性代数基础、数据预处理

深入

神经网络基础由多层非线性单元构成的前馈网络与反向传播 30 分钟· 先懂：梯度下降、逻辑回归 卷积神经网络用卷积和池化提取图像等网格数据的局部特征 30 分钟· 先懂：神经网络基础 循环神经网络处理序列数据并保留时间依赖的神经网络 30 分钟· 先懂：神经网络基础 集成学习组合多个弱学习器以提升整体预测性能 30 分钟· 先懂：决策树、随机森林 深度学习框架使用TensorFlow或PyTorch搭建并训练深度模型 30 分钟· 先懂：神经网络基础 强化学习基础智能体通过与环境交互试错学习最优策略 30 分钟· 先懂：机器学习简介