尚硅谷AI大模型之机器学习

来源官方

尚硅谷AI大模型之机器学习

随着人工智能的蓬勃发展，机器学习已经成为面向未来的一项核心技术能力。零售、金融、物流等行业的大型企业，通过机器学习技术提高竞争力、响应速度和效率，机器学习作为计算机视觉、自然语言处理的重要技术手段，还可以解决医疗健康、自动驾驶等领域的复杂问题。

尚硅谷精心打造的AI大模型之机器学习教程，是人工智能领域的重要基础课程，对机器学习理论和具体模型方法做了详尽系统的讲解，为后续的深度学习、NLP、大模型等AI技术的学习打下坚实基础，讲解中使用了大量应用案例和代码练习（基于Python），涵盖常用的监督学习、无监督学习算法，以及经典模型算法的详细数学推导。

教程分为数学基础、机器学习核心原理、机器学习具体模型三大部分：

数学基础，复习巩固所需的数学知识，主要包括：微积分、线性代数、概率统计（如果数学基础很好，本段内容可以跳过）。

机器学习核心原理，介绍机器学习的一般流程、核心概念和原理，具体内容包括：特征工程、损失函数、欠拟合和过拟合、正则化、交叉验证、解析法、梯度下降法、模型评价指标等。

机器学习具体模型，主要介绍机器学习经典的模型和算法，以监督学习为主，涵盖无监督学习方法，具体内容包括：KNN、线性回归、逻辑回归、感知机、感知机、朴素贝叶斯、决策树、支持向量机、集成学习（AdaBoost、随机森林等）、聚类方法（K均值聚类、DBSCAN等）、降维方法（SVD、PCA等）。

教程目录

001_机器学习教程简介
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
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
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
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
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
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
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
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
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
105_SVM_基本介绍
106_SVM_线性可分SVM
107_SVM_线性SVM
108_SVM_非线性SVM
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
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