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
训练集、验证集和测试集
这部分内容有帮助吗？
- Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006 (Springer) DOI: 10.1007/978-0-387-45528-0 - 这本经典教材涵盖了机器学习的基本原理，包括模型评估、泛化以及使用验证集进行模型选择和超参数调整。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) DOI: 10.7551/mitpress/9780262035613.001.0001 - 第5章（“机器学习基础”）权威地解释了泛化、过拟合、欠拟合以及训练集、验证集和测试集在深度学习（也适用于通用机器学习）中的作用。
- CS229 Lecture Notes: Supervised Learning (part 2), Andrew Ng, 2019 Stanford University CS229 - 这些广泛使用的机器学习基础课程讲义以易于理解的方式解释了用于模型评估和选择的数据划分。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurélien Géron, 2022 (O'Reilly Media) - 这本实用指南解释了训练集/验证集/测试集对于构建和评估机器学习模型的重要性，并提供了如何实现数据划分的清晰示例。（第3版）