趋近智
机器学习入门
章节 1: 什么是机器学习？
定义机器学习
为什么学习机器学习？
机器学习在日常生活中的实例
机器学习与传统编程的区别
机器学习系统种类
机器学习工作流程概述
你会用到的工具
第 1 章测验
章节 2: 核心要点
数据：机器学习的燃料
特征与标签说明
训练集、验证集和测试集
模型：从数据中学习
参数与超参数
过拟合与欠拟合简介
评估性能：基本指标
第 2 章测验
章节 3: 监督学习：回归
了解回归问题
线性回归介绍
线性回归如何学习
成本函数：衡量误差
梯度下降：寻找最佳拟合
简单线性回归示例
实践：实现简单线性回归
第 3 章测验
章节 4: 监督学习：分类
理解分类问题
逻辑回归介绍
Sigmoid 函数
决策边界
K-近邻算法（KNN）介绍
KNN 的运作方式
评估分类模型
实践：实现K近邻分类
第 4 章测验
章节 5: 无监督学习：聚类
什么是无监督学习？
聚类简介
K-Means 算法
选择聚类数量 (K)
K-Means 如何找到簇群
K-均值算法的局限性
动手操作：K-Means 在简单数据上的应用
第 5 章测验
章节 6: 准备数据
数据预处理的重要性
处理缺失值
特征缩放介绍
编码分类特征
再次谈谈：将数据划分为训练集和测试集
动手实践：基本数据清洗步骤
第 6 章测验
章节 7: 构建你的第一个机器学习模型
回顾：机器学习工作流步骤
选择合适的算法
使用库加载和准备数据
训练一个简单模型
进行预测
模型表现评估
动手实践：端到端简单模型构建
第 7 章测验
机器学习入门
本课程介绍机器学习的基础知识和方法。学习机器学习的定义、其与传统编程的区别以及机器学习算法的基本类型。熟悉数据、特征、模型和评估等核心原理。结合实际案例，构建用于回归、分类和聚类的简单模型。
先修课程 具备Python基础知识者佳
级别:
初级
核心原理
定义机器学习并区分其与传统编程的不同。
机器学习类型
识别并描述监督学习、无监督学习和强化学习。
数据处理
理解数据、特征和标签在机器学习中的作用。
基本算法
解释线性回归、KNN和K-Means等简单算法的运作原理。
模型构建
概述训练和评估基本机器学习模型的步骤。
数据准备
执行基本数据预处理任务，如处理缺失值和特征缩放。
目前没有推荐的后续课程。
登录以撰写评论
分享您的反馈以帮助其他学习者。
© 2026 ApX Machine Learning用心打造