这门课解决什么工作场景
这份资料围绕一个具体的业务场景展开：用机器学习做二手车的价格预估。它不是从数学推导讲起，而是直接从二手车商的业务痛点切入，带你走完一个真实项目从数据探察、特征工程、模型训练到在线服务部署的完整链路。对于想转行做数据分析、算法工程师，或者在工作中需要做价格预测、销量预测等回归任务的上班族来说，这种以项目为驱动的学习方式比纯看理论更容易落地。它解决的核心问题是：很多人学了基础语法和算法概念，但面对一份真实的业务数据时，依然不知道从哪里下手清洗、怎么构建特征、怎么把模型跑起来并提供给业务方使用。
适合什么基础与建议先看哪几块
资料标榜从零到一，但完全零基础直接看会比较吃力。你需要具备基本的 Python 语法认知，了解 Pandas 的简单操作会更顺畅。如果你只是听过机器学习但没动手做过项目，这套资料的切入点很合适。建议先跳过前面纯环境搭建的几节，直接从业务需求解读和数据探察部分看起，理解为什么要预测这个价格、数据长什么样。看完数据预处理的几个核心步骤后，再回头补环境配置和全栈技术框架的内容。这样你能先建立对整个业务数据的体感，不至于在配环境阶段就耗尽耐心。对于已经熟悉 Pandas 操作的人，数据预处理部分可以快速浏览，重点放在特征工程的类别编码处理上。
学完能独立做什么与资料怎么配合练习
跟着这套资料走完，你能独立完成一个结构化数据的回归预测项目。具体来说，拿到一份包含数值和类别字段的表格数据后，你知道怎么判断哪些字段有用、怎么处理缺失和异常、怎么做独热编码，最后用 sklearn 训练出一个可以预测具体数值的模型，并理解把它封装成在线服务的基本逻辑。练习时不要只用资料里的二手车数据集，建议找一份类似的房屋售价或租金数据，按同样的流程自己跑一遍。遇到字段类型不一致的情况，对照资料里的预处理步骤做转换。重点练习特征工程那部分，因为不同业务场景下特征构造的方式差异很大，只有自己换一份数据做一遍，才能真正检验你是不是掌握了这套流程，而不是仅仅照抄了一遍代码。
从0-1掌握机器学习项目案例（价格预估）从离线训练到在线部署
课程目录
* 01 python开发环境准备.mp4 04:34
* 02 Jupyter 虚拟环境运行.mp4 01:37
* 03 项目全栈技术框架.mp4 02:24
* 04 价格预测项目经验拓展.mp4 02:06
* 05 机器学习从离线到在线服务流程.mp4 04:23
* 06 二手车老板业务需求以及痛点.mp4 02:57
* 07 数据探察.mp4 04:57
* 08 数据预处理-删除无用字段.mp4 02:02
* 09 数据预处理-分类数据转换.mp4 04:16
* 10 数据预处理-数值类型数据转换.mp4 04:15
* 11 数据预处理-分类类型数据统计-价格关系.mp4 04:06
* 12 数据预处理-数字字段和目标关系.mp4 02:44
* 13 特征工程-类别字段（OneHot编码）.mp4 02:22
* 14 特征工程-数值字段（标准化）.mp4 02:44
* 15 特征工程-分类特征+数值特征融合.mp4 02:33
* 16 特征工程-目标特征从有偏分布到正态分布转换.mp4 02:49
* 17 模型训练-模型的技术选型.mp4 02:11
* 18 模型训练-线性回归原理.mp4 03:15
* 19 模型训练-线性回归实现步骤.mp4 02:00
* 20 模型训练-线性回归模型小练习.mp4 03:23
* 21 模型训练-什么是随机森林.mp4 01:38
* 22 模型训练-随机森林的原理.mp4 01:50
* 23 模型训练-随机森林特征选择.mp4 03:00
* 24 模型训练-随机森林回归小练习.mp4 03:45
* 25 模型训练-回归评价指标.mp4 06:35
* 26 模型训练-价格预估-训练集和测试集切分.mp4 02:17
* 27 模型训练-价格预估-逻辑回归和随机森林训练.mp4 03:09
* 28 模型训练-价格预估-xgboost模型训练.mp4 02:09
* 29 模型存储-使用joblib完成模型存储.mp4 02:22
* 30 模型在线Web服务.mp4 04:21
