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
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
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
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
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
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
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
参数与超参数
这部分内容有帮助吗？
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, and Jerome Friedman, 2009 (Springer) - 一本经典的教材，涵盖机器学习的统计学基础，包括对线性回归等各种算法中模型参数的详细解释。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本关于深度学习的综合性资源，详细阐述了神经网络中的参数（权重、偏差）和超参数（学习率、网络架构）。
- CS229 Lecture Notes: Machine Learning, Andrew Ng, Tengyu Ma, 2023 (Stanford University) - 著名机器学习课程的讲义，清晰地解释了线性回归中的参数以及学习率等超参数的基本概念。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurélien Géron, 2022 (O'Reilly Media) - 一本实用的机器学习指南，通过K-最近邻和神经网络等各种算法的例子，清晰地区分了参数和超参数。