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
理解分类问题
这部分内容有帮助吗？
- An Introduction to Statistical Learning: With Applications in R, Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, 2021 (Springer) DOI: 10.1007/978-1-0716-1418-1 - 一本广泛使用的入门教材，涵盖统计学习的核心概念，包括分类与回归的区别以及基础分类算法。
- Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006 (Springer) DOI: 10.1007/b93563 - 一本全面而基础的教材，详细阐述了分类及其他机器学习概念的理论基础，并侧重于概率方法。
- User Guide: Classification, scikit-learn developers, 2023 - scikit-learn的官方文档，提供了分类任务、常见算法以及在主流机器学习库中的使用示例的实用概述。
- Supervised Learning (Lecture Notes), Andrew Ng, 2018 (Stanford University) - 斯坦福大学一门极具影响力的机器学习课程的讲义，对监督学习（包括分类问题）进行了清晰且数学严谨的介绍。