趋近智

所有课程

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

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？

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

模型表现评估

动手实践：端到端简单模型构建

章节 5: 无监督学习：聚类

课程章节

5.1 什么是无监督学习？
5.2 聚类简介
5.3 K-Means 算法
5.4 选择聚类数量 (K)
5.5 K-Means 如何找到簇群
5.6 K-均值算法的局限性
5.7 动手操作：K-Means 在简单数据上的应用

© 2025 ApX Machine Learning