机器学习特训营值不值得花时间

这套特训营解决的核心问题，是帮人把机器学习从“听过算法名字”推进到“能跑通完整建模流程”。它不是给你罗列几个时髦概念就收工，而是围绕真实数据处理场景展开：怎么把杂乱原始数据清洗成可用的形态，怎么挑选算法去拟合业务目标，以及怎么把模型结果落到可运行的代码里。对每天要和表格、日志打交道的上班族，学它意味着你能自己把业务数据跑出预测结果，而不是永远等分析师排期。对想转行进技术岗的人，这套资料能帮你把零散的网络教程拼成一条主线，知道实际工作里每一步到底卡在哪里、怎么用工具解决。

资料适合什么基础以及怎么用

资料默认你已经能看懂基础语法，知道怎么写简单的控制逻辑，但不需要你懂高深数学推导。如果你连基本循环和函数都写不顺，建议先花一周把语言基础补扎实再来碰这套东西，否则会在数据类型和报错上反复消耗耐心。拿到资料后，建议按“环境搭建、数据清洗、模型训练、结果评估”的顺序走，不要跳着看。先把配套的代码编辑器装好，跟着把第一段读取数据的代码跑通，这一步能帮你排除大部分环境配置隐患。每看完一个模块，就把对应的练习代码在自己机器上手敲一遍，改几个参数看输出变化，这比单纯看视频有效得多。遇到数据预处理那几节，最好拿你自己工作里的一份小表格替换进去跑，看看能不能处理缺失值和异常字段，这种迁移练习能检验你是不是真懂了。

学完能独立做什么

走完这套流程后，你应该能独立完成一个中等复杂度的建模任务：从拿到原始数据开始，自己判断哪些字段该清洗、哪些该转换，选定合适的算法跑出结果，再根据评估指标判断模型到底行不行。往小了说，你能给业务做一个流失预测或者销量预估的原型；往大了说，你具备了把一个业务问题翻译成代码任务的能力，能独立看懂别人的项目结构，知道该去哪里改逻辑。这套资料不会让你立刻变成算法专家，但能让你在面对“能不能用机器学习解决这个工作问题”时，有底气给出判断并动手试，而不是停留在概念讨论。


??????????????????? ?? ????????????????????????? ?? ???????????????????????? ?? ??????????????Visual Studio Code??? ?? ???????????????????????? ?? ??????????????????????????? ?? ??????????????????????? ?? ????????????????????? ?? ???????????????????????? ?? ????????????????????????? ?? ????????????????????? ?? ??????????????????? ?? ???????????????????????? ?? ????????????????????? ?? ????????????????????? ?? ???????????????????????????? ?? ???????????????????????????????? ?? ??????????????????????????? ?? ?????????????????????? ?? ?????????????????????????? ?? ??????????????????????? ?? ?????????????????????? ?? ??????????????????????? ?? ????????????????????? ?? ??????????????????????? ?? ?????????????????????????? ?? ?????????????????????????????

课程目录

*   1 （选修）第一部分：开始之前/

  *   1 课程简介与机器学习发展史

  *   1 课程简介与机器学习发展史之课件 0.课程简介与机器学习发展史.pptx

*   2 （选修）第二部分：线性代数基础/

  *   1 线性代数（一）

  *   1 线性代数（一）之课件 1.1 线性代数1.pptx

  *   2 线性代数（二）

  *   2 线性代数（二）之课件 1_LineAlg.rar

  *   3 线性代数（三）

  *   4 线性代数（四）

  *   4 线性代数（四）之课件 1.3 线性代数3.pptx

  *   5 线性代数（五）

  *   5 线性代数（五）之课件 1_LineAlg.rar

  *   6 线性代数（六）

  *   6 线性代数（六）之课件 我的课件.rar

  *   7 线性代数（七）

  *   7 线性代数（七）之课件 LineAlg-new.rar

*   3 （选修）第三部分：概率论基础/

  *   1 概率论（一）

  *   1 概率论（一）之课件 1.6 概率论1.pptx

  *   2 概率论（二）

  *   2 概率论（二）之课件 1.7 概率论2.pptx

  *   3 概率论（三）

  *   3 概率论（三）之课件 1.8 概率论3.pptx

  *   4 概率论（四）

  *   4 概率论（四）之课件 2_Probality.rar

  *   5 Python基础（一）

  *   5 Python基础（一）之课件 python语法.ipynb

  *   6 Python基础（二）

  *   7 Python基础（三）

  *   7 Python基础（三）之课件 basic2.rar

  *   8 Python基础（四）

  *   9 Python基础（五）

  *   9 Python基础（五）之课件 basic2.rar

*   4 （选修）第四部分：Visual Studio Code使用/

  *   1 Visual Studio Code使用（一）

  *   1 Visual Studio Code使用（一）之课件 vscode-anaconda.pptx

*   5 （必修）第一部分：机器学习简介/

  *   1 引言、基本术语、假设空间

  *   1 引言、基本术语、假设空间之课件 机器学习1.1.pptx

  *   2 归纳偏好、发展历程、应用现状

  *   2 归纳偏好、发展历程、应用现状之课件 机器学习1.2.pptx

*   6 （必修）第二部分：模型评估与选择/

  *   1 分类回归小例子

  *   1 分类回归小例子之课件 1.2.rar

  *   2 经验误差与过拟合

  *   3 评估方法（留出法，交叉验证法，自助法）

  *   3 评估方法（留出法，交叉验证法，自助法）之课件 1.4-1.5.rar

  *   4 性能度量（混淆矩阵 ，准确率，精确度，敏感度，特异度，F1 score）

  *   4 性能度量（混淆矩阵 ，准确率，精确度，敏感度，特异度，F1 score）之课件 1.6.rar

*   7 （必修）第三部分：线性模型/

  *   1 线性回归（一）

  *   1 线性回归（一）之课件 机器学习1.7-线性回归1.pptx

  *   2 线性回归（二）

  *   2 线性回归（二）之课件 1.7_LinearRegression.rar

  *   3 线性回归（三）

  *   3 线性回归（三）之课件 机器学习1.9-线性回归3 .pptx

  *   4 线性回归（四）

  *   4 线性回归（四）之课件 机器学习1.10-线性回归4.pptx

  *   5 逻辑回归（一）

  *   5 逻辑回归（一）之课件 1.11_LogisticRegression.rar

  *   6 逻辑回归（二）

*   8 （必修）第四部分：决策树/

  *   1 划分选择与算法基本思想（一）

  *   1 划分选择与算法基本思想（一）之课件 4_DecisionTree.rar

  *   2 划分选择与算法基本思想（二）

  *   3 代码分析与KNN

  *   3 代码分析与KNN之课件 4_KNN.rar

  *   4 机器学习中距离和相似性度量方法概述

*   9 （必修）第五部分：数据预处理/

  *   1 处理缺失数据，处理类别数据

  *   1 处理缺失数据，处理类别数据之课件 5_Preprocess.rar

  *   2 数据标准化与归一化

  *   3 特征选择

  *   3 特征选择之课件 5_Preprocess.rar

  *   4 特征排序，plot_decision_regions函数讲解

*   10 （必修）第六部分：支持向量机/

  *   1 使用支持向量机最大化分类间隔

  *   1 使用支持向量机最大化分类间隔之课件 6_SVM.rar

  *   2 SVM非线性分类

*   11 （必修）第七部分：神经网络/

  *   1 神经网络基础知识

  *   2 神经网络（一）

  *   2 神经网络（一）之课件 7. 神经网络.pptx

  *   3 神经网络（二）

*   12 （必修）第八部分：深度学习/

  *   1 卷积神经网络CNN基本原理

  *   1 卷积神经网络CNN基本原理之课件 8.1 卷积神经网络.pptx

  *   2 开源深度学习框架与常见卷积网络模型

  *   2 开源深度学习框架与常见卷积网络模型之课件 8.2-1 深度学习框架与网络模型-安装tensorflow.ppt

  *   3 基本分类（一）

  *   3 基本分类（一）之课件 1_8_basic.rar

  *   4 基本分类（二）

  *   4 基本分类（二）之课件 datasets.rar

  *   5 文本分类

  *   5 文本分类之课件 1_1_keras_basic.rar

  *   6 keras知识

  *   7 keras知识2

  *   7 keras知识2之课件 data_save.rar

  *   8 keras知识3

  *   9 keras知识4

  *   9 keras知识4之课件 opt-layer.rar

  *   10 keras知识5

  *   11 keras知识6

  *   12 回归

  *   13 过拟合与欠拟合

  *   14 模型的保存与恢复

  *   15 使用CNN图像识别

  *   15 使用CNN图像识别之课件 9_CNN.rar

  *   16 使用CNN识别图像2

  *   17 循环神经网络

  *   17 循环神经网络之课件 10_lstm.rar

  *   18 循环神经网络2

  *   19 自然语言处理

  *   19 自然语言处理之课件 8.12 自然语言处理 NLP - with Word Embeddings-zh.ipynb

  *   20 自然语言处理2

  *   21 自然语言处理3

  *   22 自然语言处理4

*   13 （必修）第九部分：贝叶斯分类器/

  *   1 极大似然估计

  *   1 极大似然估计之课件 9.1 极大似然估计.pptx

  *   2 朴素贝叶斯分类器1

  *   2 朴素贝叶斯分类器1之课件 朴素贝叶斯.rar

  *   3 朴素贝叶斯分类器2

  *   3 朴素贝叶斯分类器2之课件 9_Baiyes.rar

  *   4 朴素贝叶斯分类器3

  *   5 朴素贝叶斯分类器4

  *   6 EM算法

  *   6 EM算法之课件 9.3 EM期望值最大化.pptx

*   14 （必修）第十部分：集成学习/

  *   1 集成学习概述

  *   1 集成学习概述之课件 10_ensembling.rar

  *   2 常见集成学习方法1

  *   3 补充EM例子

  *   3 补充EM例子之课件 em.rar

  *   4 常见集成学习例子2

  *   5 xgboost例子

*   15 （必修）第一十一部分：聚类/

  *   1 k-means聚类

  *   1 k-means聚类之课件 11_cluster.rar

  *   2 层次聚类1

  *   3 层次聚类2

  *   4 密度聚类

*   16 （必修）第一十二部分：降维与度量学习/

  *   1 主成分分析

  *   1 主成分分析之课件 12_DimReduct.rar

  *   2 非线性PCA，流形学习，度量学习

  *   3 非线性PCA,流形学习,度量学习2

  *   4 综合应用-文本降维与聚类

  *   5 综合应用-文本降维与聚类2

*   17 （必修）第一十三部分：特征选择与稀疏学习/

  *   1 子集搜索与评价

  *   2 过滤式选择、包裹式选择

  *   3 嵌入式选择与L_1正则化、稀疏表示与字典学习

  *   4 使用Python接口进行特征选择

*   18 （必修）第一十四部分：计算学习理论/

  *   1 基础知识

  *   1 基础知识之课件 14.计算学习理论.ppt

  *   2 PAC学习

  *   3 VC维、Rademacher复杂度、稳定性

*   19 （必修）第一十五部分：半监督学习/

  *   1 基本理论

  *   2 基本理论2

  *   2 基本理论2之课件 15_semi_supervised.zip

  *   3 python接口1

  *   4 python接口2

*   20 （必修）第一十六部分：概率图模型/

  *   1 隐马尔可夫模型

  *   2 隐马尔科夫模型2

  *   2 隐马尔科夫模型2之课件 16_ProbGraphModel.7z

  *   3 马尔可夫随机场与条件随机场

  *   4 学习与推断（变量消去、信念传播）

  *   5 话题模型

*   21 （必修）第一十七部分：规则学习/

  *   1 基本概念

*   22 （必修）第一十八部分：强化学习/

  *   1 Q-learning1

  *   1 Q-learning1之课件 AIGame.rar

  *   2 Q-learning2

  *   3 深度强化学习1

  *   4 深度强化学习2

  *   5 深度强化学习3

*   23 （必修）第一十九部分：增量学习/

  *   1 增量学习思想

  *   1 增量学习思想之课件 19_OnlineLearn.rar

  *   2 增量学习例子

*   24 （必修）第二十部分：迁移学习/

  *   1 迁移学习简介

  *   1 迁移学习简介之课件 20_TransferLearn.rar

  *   2 迁移学习例子1

*   25 （必修）第二十一部分：主动学习/

  *   1 主动学习思想与例子

  *   1 主动学习思想与例子之课件 21_ActiveLearn.rar

*   26 （必修）第二十二部分：多任务学习/

  *   1 多任务学习思想与例子

  *   1 多任务学习思想与例子之课件 22_multi-task-learn.rar

*   27 （必修）第二十三部分：机器学习项目实战/

  *   1 resnet的具体实现

  *   1 resnet的具体实现之课件 1_resnet.zip

  *   2 推荐系统

  *   2 推荐系统之课件 2_reco.rar

  *   3 deepdream

  *   3 deepdream之课件 3_deep_dream.zip

  *   4 deepdream2

  *   4 deepdream2之课件 4_style_transfer.rar

  *   5 风格迁移

  *   6 图像分割

  *   6 图像分割之课件 26.5-1图像分割.ppt

  *   7 图像分割2

  *   8 目标检测