机器学习
机器学习（Machine Learning，ML）通过数据学习用于预测、分组或决策的模型。模型的规则或参数由训练得到。
数据与建模
| 章节 | 内容 |
|---|---|
| Python 与数据 | 条件与循环、数组形状、表格、缺失值、绘图 |
| 从数据到模型 | 特征与标签、数据划分、基线、经验风险、概率与统计 |
| 线性模型 | 向量与矩阵、线性回归、梯度下降、逻辑回归、多分类概率、正则化 |
| 模型评价 | 分类与回归指标、交叉验证、偏差与方差、过拟合、数据泄漏 |
模型与方法
| 章节 | 内容 |
|---|---|
| 距离、间隔与分类 | 近邻、感知机、支持向量机、核方法 |
| 树模型与集成 | 决策树、随机森林、梯度提升、自助聚合与堆叠集成 |
| 聚类、降维与异常检测 | K 均值、层次聚类、高斯混合、期望最大化、主成分分析、特征选择、流形学习 |
| 概率与图模型 | 似然与后验估计、朴素贝叶斯、隐马尔可夫、图模型、主题模型、采样与变分推断 |
| 神经网络与深度学习 | 前馈网络、反传、卷积与循环网络、注意力、Transformer、训练技巧 |
| 强化学习 | 决策过程、贝尔曼方程、回报估计、动作价值、策略梯度与评价器 |
| 进阶专题 | 半监督与自监督、迁移与元学习、因果、主动学习、解释、公平与隐私、基础模型、自动机器学习 |
| 实验与模型选择 | 特征工程、数据管道、超参搜索、三种框架、练习与实验记录 |
项目
| 项目 | 实验内容 |
|---|---|
| 实验时间统计 | 读取表格文件、汇总统计、绘图 |
| 葡萄酒分类 | 分类器、基线与混淆矩阵 |
| 酒精含量预测 | 岭回归、交叉验证与残差 |
| 聚类与二维投影 | 聚类、主成分投影、组号与真实标签 |
| 数字识别 | 用 scikit-learn、PyTorch 或 TensorFlow 训练网络 |
| 格子世界 | 从奖励学习动作价值与策略 |
课程与教材
参考资料