这门课解决什么问题
很多上班族想转行做数据分析或算法岗，但翻了一圈资料，发现不是偏重枯燥的数学推导，就是直接甩出几十行深度学习代码，中间缺了最关键的一环：怎么把业务问题拆解成机器学习任务，并用工具把数据跑通。这门课聚焦的正是这个断层。它不跟你空谈人工智能的宏大愿景，而是从具体的房价预测场景切入，带你走完从读数据、看分布、切分数据集到调用模型接口的完整链路。如果你平时做报表或业务运营，经常面对一堆数字却不知道怎么提炼规律，学完能搞懂监督学习的标准处理流程，明白为什么不能把所有数据一股脑塞给模型，理解分层抽样在实际业务里的意义。
适合什么基础与建议学习顺序
资料适合已经掌握基础 Python 语法、能写循环和函数，但对数据科学库零基础的读者。如果你连变量类型都搞不清，建议先补基础再来。看的时候建议按这个顺序：先把第一部分关于概念关系和工具准备的内容过一遍，重点放在 Jupyter Notebook 的环境配置上，尤其是远程访问那节，很多人在公司服务器跑代码时卡在这一步。接着直接进房价预测项目，不要在理论概念上停留太久。看视频时务必开两个窗口，一边播一边在本地环境里敲代码，遇到拆分训练集和测试集的 API，手动把参数改一改，看看输出结果有什么变化，这种肌肉记忆比单纯听讲管用得多。
学完能独立做什么与资料配合方法
走完这套流程后，你应该能独立完成一个小型结构化数据的建模任务：拿到一份表格数据，知道先看整体分布和特征相关性，会用标准方法切分训练集和测试集，能调用核心算法库跑通基线模型。虽然这门课没有覆盖模型调优和部署上线，但帮你建立了正确的工程习惯，不至于拿到数据就无脑套模型。配合练习时，建议找一份公开的回归数据集，比如二手车价格或者租金数据，照着课程里的步骤自己走一遍，卡住的地方再回去找对应视频。这种带着问题查漏补缺的方式，比从头到尾刷完视频有效得多。
让学员学习scikit-learn的核心使用方法以及机器学习的核心算法原理和实战
课程目录
* 01 对机器学习的正确认识/
* 01 人工智能、机器学习和深度学习的关系.mp4 39:19
* 02 机器学习需要哪些工具.mp4 15:03
* 03 Jupyter Notebook简介与安装.mp4 06:23
* 04 使用Jupyter Notebook.mp4 07:58
* 05 远程访问Jupyter Notebook.mp4 04:48
* 02 项目实战：预测房价/
* 01 准备实验数据.mp4 09:33
* 02 查看和可视化数据集.mp4 06:10
* 03 准备训练集和测试集.mp4 09:18
* 04 用更优秀的方式产生训练集和测试集.mp4 24:28
* 05 用sklearn API拆分训练集和测试集.mp4 08:12
* 06 分层抽样.mp4 12:33
* 07 通过可视化地理数据寻找模式.mp4 11:26
* 08 用两种方法检测属性之间的相关度.mp4 19:56
* 09 为房屋数据集添加新属性，并计算与房屋均价的相关度.mp4 08:02
* 10 清理数据：用转换器填补缺失值.mp4 11:47
* 11 将文本类型属性转换为数值.mp4 19:30
* 12 自定义转换器.mp4 16:14
* 13 选择、训练模型以及预测房价.mp4 17:29
* 14 数据转换管道（pipeline）.mp4 17:42
* 15 评估模型的性能.mp4 17:35
* 16 用交叉验证评估和选择模型.mp4 11:37
* 03 项目实战：识别手写数字/
* 01 项目概述.mp4 04:34
* 02 使用sklearn内置的图像数据.mp4 10:21
* 03 使用fetch_mldata函数获取MNIST图像数据集.mp4 09:31
* 04 直接读取mat格式的MNIST图像数据集.mp4 06:04
* 05 将多张图像文件合成一个图像.mp4 22:10
* 06 对数字图像进行二元分类.mp4 08:28
* 07 使用K-fold交叉验证法评估分类器模型的性能.mp4 16:10
* 08 使用混淆矩阵评估分类器模型的性能.mp4 18:41
* 09 用精度、召回率和F1分数评估分类模型.mp4 18:13
* 10 调整阈值得到不同的精度和召回率.mp4 37:21
* 11 ROC曲线与模型评估.mp4 13:57
* 12 比较随机森林分类器和梯度下降分类器的ROC曲线.mp4 17:09
* 13 多类别分类器.mp4 27:44
* 14 通过对特征值进行转换提高分类效果.mp4 07:55
* 15 通过分析错误类型改进分类模型.mp4 15:36
* 16 多标签分类.mp4 17:39
* 17 去除图像噪声.mp4 10:58
* 04 k-邻近算法/
* 01 实现原理.mp4 15:10
* 02 用k-邻近算法进行分类.mp4 24:58
* 03 用k-邻近算法进行预测.mp4 14:21
* 04 绘制拟合曲线.mp4 08:39
* 05 项目实战：用k-邻近算法预测糖尿病/
* 01 准备训练数据和测试数据.mp4 09:22
* 02 比较和选择分类模型.mp4 11:46
* 03 训练模型与预测糖尿病.mp4 08:41
* 04 绘制学习曲线.mp4 16:05
* 05 选择相关特征与数据可视化.mp4 14:10
* 06 项目实战：预测人们的幸福指数/
* 01 项目简介.mp4 02:01
* 02 训练线性模型，并预测幸福指数.mp4 46:14
* 03 机器学习的主要挑战.mp4 06:24
* 07 线性回归算法/
* 01 线性回归都讲了什么.mp4 05:30
* 02 线性回归模型概述.mp4 10:56
* 03 使用标准方程进行线性回归拟合.mp4 23:36
* 04 梯度下降算法的原理.mp4 20:01
* 05 批量梯度下降.mp4 20:49
* 06 比较不同学习率的迭代效果.mp4 19:38
* 07 随机梯度下降.mp4 21:06
* 08 随机梯度下降.mp4 21:06
* 09 比较4种线性回归算法.mp4 07:49
* 10 用线性模型拟合非线性数据.mp4 19:58
* 08 支持向量机（SVM）/
* 01 线性SVM分类.mp4 15:55
* 02 添加特征使数据集线性可分离.mp4 15:31
* 03 使用多项式特征的线性SVM分类器.mp4 20:02
* 04 基于多项式核的SVM分类器.mp4 10:26
* 05 高斯RBF的相似特征.mp4 20:58
* 06 基于高斯RBF核函数的SVM分类器.mp4 09:54
* 07 SVM线性回归.mp4 08:20
* 08 SVM非线性回归.mp4 04:41
