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
K-均值算法的局限性
这部分内容有帮助吗？
- An Introduction to Statistical Learning: With Applications in R, Gareth James, Daniela Witten, Trevor Hastie, Rob Tibshirani, 2021 (Springer) - 清晰地解释了K-Means算法、其原理及局限性，包括初始化问题和对聚类形状的假设。
- Pattern Recognition and Machine Learning, Christopher Bishop, 2006 (Springer) DOI: 10.1007/b139369 - 详细阐述了K-Means算法，包括其目标函数，并讨论了其对初始化和几何假设的敏感性。
- k-means++: The Advantages of Careful Seeding, David Arthur, Sergei Vassilvitskii, 2007 Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms (Society for Industrial and Applied Mathematics) DOI: 10.1145/1283383.1283494 - 介绍了广泛使用的K-Means++初始化算法，通过解决K-Means对初始中心点放置的敏感性，显著提高了其结果的质量和一致性。