课程介绍
这门课为学习大模型打下机器学习基础，先补齐必要的数学：导数与求导法则、偏导数、方向导数与梯度，向量、矩阵与张量运算和矩阵求导，以及概率分布、贝叶斯定理和极大似然估计，并配合代码绘图与运算测试加深理解。
核心原理部分讲监督学习建模流程、特征工程（低方差过滤、Pearson 与 Spearman 相关系数、PCA 降维）、损失函数、欠拟合与过拟合、正则化与交叉验证，模型求解的解析法、梯度下降与牛顿法，以及回归评价指标和混淆矩阵、精确率、召回率、F1、ROC 与 AUC 等分类评价方法。
算法部分依次讲 KNN（距离度量、归一化与标准化、心脏病检测与网格搜索）、线性回归（正规方程、梯度下降与 SGDRegressor、广告效果预测）、逻辑回归（OVR 与 Softmax 多分类、手写数字识别）、感知机与多层感知机实现异或门、朴素贝叶斯、决策树（ID3、C4.5、CART 与剪枝）、SVM、AdaBoost 与随机森林，最后讲 K-means、层次聚类、密度聚类与聚类评价，以及 SVD 和 PCA 降维。
网盘说明：本课程为百度网盘资源。压缩包需要解压密码，购买后在下载区查看。
课程目录
课程简介与数学基础
001 机器学习课程简介
002 数学基础 导数的概念和基本公式
003 数学基础 基本求导法则
004 数学基础 用导数求极值和二阶导数
005 数学基础 代码绘制导函数图像
006 数学基础 偏导数
007 数学基础 方向导数
008 数学基础 梯度
009 数学基础 标量与向量
010 数学基础 向量代码测试
011 数学基础 矩阵概念及基本运算
012 数学基础 矩阵基本运算代码测试
013 数学基础 矩阵的其它运算和张量
014 数学基础 矩阵其它运算代码测试
015 数学基础 矩阵求导
016 数学基础 梯度矩阵
017 数学基础 概率的基本概念和计算
018 数学基础 概率分布
019 数学基础 贝叶斯定理
020 数学基础 似然函数和极大似然估计
机器学习概述
021 机器学习 概述
022 机器学习 概念范畴
023 机器学习 发展历史
024 机器学习 应用领域
025 机器学习 基本术语
026 机器学习 分类
027 机器学习 常见方法
核心原理：建模流程、特征工程与模型评估
028 核心原理 监督学习建模流程
029 核心原理 特征工程 整体介绍
030 核心原理 特征工程 低方差过滤法
031 核心原理 特征工程 相关系数法 Pearson
032 核心原理 特征工程 相关系数法 Spearman
033 核心原理 特征工程 PCA降维
034 核心原理 损失函数
035 核心原理 经验误差和泛化误差
036 核心原理 欠拟合和过拟合
037 核心原理 拟合案例 整体思路
038 核心原理 拟合案例 导入模块和生成数据
039 核心原理 拟合案例 欠拟合
040 核心原理 拟合案例 恰好拟合和过拟合
041 核心原理 正则化
042 核心原理 正则化案例
043 核心原理 交叉验证
044 核心原理 模型求解 解析法
045 核心原理 模型求解 梯度下降法
046 核心原理 模型求解 梯度下降法案例1
047 核心原理 模型求解 梯度下降法案例2
048 核心原理 模型求解 学习率测试
049 核心原理 模型求解 梯度下降法的应用
050 核心原理 模型求解 牛顿法和拟牛顿法
051 核心原理 回归评价指标
052 核心原理 分类评价指标 混淆矩阵
053 核心原理 分类评价指标 准确率、精确率、召回率和F1
054 核心原理 分类评价指标 评估报告
055 核心原理 分类评价综合案例
056 核心原理 分类评价指标 ROC曲线
057 核心原理 分类评价指标 AUC
KNN
058 KNN 基本原理
059 KNN 分类示例代码
060 KNN 回归示例代码
061 KNN 常见距离度量方法
062 KNN 归一化
063 KNN 归一化代码测试
064 KNN 标准化
065 KNN 心脏病检测案例 数据集加载
066 KNN 心脏病检测案例 特征工程
067 KNN 心脏病检测案例 模型训练、保存和预测
068 KNN 心脏病检测案例 网格搜索和交叉验证
线性回归
069 线性回归 基本概念和应用
070 线性回归 API调用
071 线性回归 损失函数
072 线性回归 一元线性回归解析解
073 线性回归 正规方程法求解
074 线性回归 API调用 截距参数
075 线性回归 梯度下降法
076 线性回归 梯度下降法 手动代码实现
077 线性回归 梯度下降法API SGDRegressor
078 线性回归 梯度下降法案例 广告效果预测
逻辑回归
079 逻辑回归 基本原理和应用
080 逻辑回归 损失函数
081 逻辑回归 损失函数的梯度
082 逻辑回归 API介绍
083 逻辑回归案例 心脏病检测
084 逻辑回归 多分类 OVR
085 逻辑回归 多分类 Softmax回归
086 逻辑回归案例 手写数字识别 数据集加载
087 逻辑回归案例 手写数字识别 模型训练和预测
感知机
088 感知机 基本原理
089 感知机 表示逻辑门电路
090 感知机 逻辑门代码实现 与门
091 感知机 逻辑门代码实现 与非门和或门
092 感知机 感知机的局限
093 感知机 多层感知机实现异或门
朴素贝叶斯
094 朴素贝叶斯 基本原理
095 朴素贝叶斯 极大似然估计
096 朴素贝叶斯 贝叶斯估计
097 朴素贝叶斯 学习和分类
决策树
098 决策树 基本原理
099 决策树 工作过程
100 决策树 信息熵和条件熵
101 决策树 信息增益和ID3
102 决策树 信息增益率和C4.5
103 决策树 基尼指数和CART
104 决策树 剪枝
SVM
105 SVM 基本介绍
106 SVM 线性可分SVM
107 SVM 线性SVM
108 SVM 非线性SVM
集成学习
109 集成学习 基本概念和分类
110 集成学习 AdaBoost
111 集成学习 随机森林
无监督学习：聚类与降维
112 无监督学习 聚类 整体介绍
113 无监督学习 聚类 K-means
114 无监督学习 聚类 层次聚类
115 无监督学习 聚类 密度聚类
116 无监督学习 聚类 KMeans代码示例
117 无监督学习 聚类 评价指标
118 无监督学习 降维 SVD基本原理
119 无监督学习 降维 SVD代码调用
120 无监督学习 降维 PCA
配套资料
资料&算法图都在笔记中
测试数据
代码
