机器学习算法精讲

这门算法课解决什么问题

很多上班族和转行者想补齐机器学习基础，但往往卡在第一步：市面资料要么过于偏向调参调包，缺乏底层数学支撑；要么直接上推导公式，让人望而却步。这门算法精讲课解决的核心场景，正是填补「数学基础」与「模型认知」之间的断层。它不教你怎么快速跑通一个接口，而是从函数、向量、矩阵这些最根本的数学构件讲起，带你弄懂特征值、奇异值分解、概率分布背后的实际意义。如果你在日常工作或转行面试中，经常遇到被问到算法底层逻辑却答不上来，或者看技术文档时对里面的协方差、联合概率等概念一知半解，那么这份资料就是用来扫除这些盲区的。

适合什么基础与建议先看哪几块

这套资料适合具备基本编程逻辑、但高等数学和线性代数知识基本还给老师的读者。你不需要有深厚的学术背景，但得有耐心跟着推导。建议拿到资料后，不要按默认顺序一节节看，而是优先看两块：第一块是线性代数基础中的向量、矩阵与特征值部分，这是后续理解数据维度变换的基石；第二块是概率统计中的期望、方差和协方差，以及联合概率与分布。这两块直接决定了你能否看懂后续模型部分的目标函数为什么那么写。可以先跳过偏微积分的雅可比和海森矩阵，等学到具体模型优化时再回过头查漏补缺，这样学习阻力最小。

学完能独立做什么与资料怎么配合练习

学完这门课，你不会立刻成为资深算法工程师，但能独立完成几件具体的事：一是能看懂主流机器学习模型的数学框架，不再对底层的矩阵运算和概率假设感到陌生；二是在面对实际数据时，能理解特征工程背后的数学意义，知道为什么要做协方差分析、为什么某些分布假设会影响模型效果；三是遇到报错或结果异常时，能从数据分布和矩阵秩的角度去排查问题，而不是只会盲目重试。配合练习时，建议把视频里的推导过程当成图纸，每听完一个数学概念，就用代码手写实现一遍。比如讲到矩阵与张量，就在编辑器里自己建几个简单的矩阵，跑一遍特征值分解；讲到方差和分布，就生成一组随机数，观察不同分布的形态。先听推导，再写代码验证，最后对照模型部分看这些基础如何落地，这样才能把静态的数学知识变成能用的工具。

小象机器学习算法精讲 是一份体系课学习资料，内容围绕 算法 展开。

内容涵盖：期望 方差和协方差、联合概率、分布 1、分布 2、机器学习的模型、机器学习的应用 等主题。

适合对 算法 有需求、希望一次性拿到完整资料的同学。

下方为完整资料与目录，可先看目录判断是否符合需要。

1_1.1函数介绍.mp4 · 2_1.2向量.mp4 · 3_1.3矩阵与张量.mp4 · 4_1.4特征值和特征向量.mp4 · 5_1.5奇异值分解.mp4 · 6_1.6Jacobian和Hessian矩阵.mp4 · 7_1.7凸函数.mp4 · 8_2.1概率问题.mp4 · 9_2.2独立性随机变量.mp4 · 10_2.3-期望、方差和协方差.mp4 · 11_2.4-联合概率.mp4 · 12_2.5-分布(1).mp4 · 13_2.6-分布(2).mp4 · 14_3.1-机器学习的模型.mp4 · 15_3.2-机器学习的应用.mp4 · 16_3.3-过拟合.mp4.mp4 · 17_3.4-机器学习的分类.mp4 · 18_4.1-有监督学习.mp4 · 19_4.2损失函数.mp4 · 20_4.3梯度下降（1）.mp4 · 21_4.4梯度下降（2）.mp4 · 22_4.5-牛顿方法.mp4 · 23_5.1-有参和无参模型.mp4 · 24_5.2KNN简介.mp4 · 25_5.3距离测算.mp4 · 26_5.4朴素贝叶斯.mp4 · 27_5.5-朴素贝叶斯的实际应用.mp4 · 28_6.1-决策树简介.mp4 · 29_6.2-信息熵（1）.mp4 · 30_6.3-信息熵（2）.mp4 · 31_6.4-ID3算法.mp4 · 32_6.5-决策树节点的划分.mp4 · 33_7.1-CART树.mp4 · 34_7.2-Bagging.mp4 · 35_7.3-Boosting.mp4 · 36_7.4-Gradient-Boosting.mp4 · 37_8.1-线性模型.mp4 · 38_8.2-最小二乘.mp4 · 39_8.-3-线性分类器.mp4 · 40_8.4-极大似然.mp4 · 41_8.5-逻辑回归（1）.mp4 · 42_9.1-逻辑回归（2）.mp4 · 43_9.2-岭回归.mp4 · 44_9.3-LASSO.mp4 · 45_9.4-优化方法（1）.mp4 · 46_9.5-优化方法（2）.mp4 · 47_10.1-拉格朗日乘子法（1）.mp4 · 48_10.2-拉格朗日乘子法（2）.mp4 · 49_10.3-拉格朗日乘子法（3）.mp4 · 50_10.4-最大间隔.mp4 · 51_11.1-拉格朗日对偶问题.mp4 · 52_11.2-支持向量.mp4 · 53_11.3-SVM计算过程.mp4 · 54_11.4-线性可分.mp4 · 55_12.1贝叶斯公式.mp4 · 56_12.2-隐含变量和概率模型.mp4 · 57_12.3EM算法.mp4 · 58_12.4-琴生不等式.mp4 · 59_13.1三个硬币问题.mp4 · 60_13.2高斯混合模型.mp4 · 61_13.3隐马尔科夫模型.mp4 · 62_13.4-隐马尔可夫模型（2）.mp4 · 63_14.1-隐马尔可夫模型在NLP中的运用（1）.mp4 · 64_14.2-EM算法.mp4 · 65_14.3-隐马尔可夫模型在NLP中的运用（2）.mp4 · 66_14.4-隐马尔可夫模型在NLP中的运用（3）.mp4 · 67_15.1-高维下的高斯模型.mp4 · 68_15.2-主题模型.mp4 · 69_15.3-Dirichlet分布（1）.mp4 · 70_15.4-Dirichlet分布（2）.mp4 · 71_16.1-统计学习内容回顾.mp4 · 72_16.2-kmeans算法.mp4 · 73_16.3-PCA降维.mp4 · 74_16.4-SVD降维.mp4 · 75_16.5-isomap.mp4 · 76_17.1-聚类.mp4 · 77_17.2-局部线性嵌入.mp4 · 78_17.3-分布性随机领域嵌入（1）.mp4 · 79_17.4-分布性随机领域嵌入（2）.mp4 · 80_18.1-无参模型.mp4 · 81_18.2-高斯过程（1）.mp4 · 82_18.3-高斯过程（2）.mp4 · 83_19.1-神经网络简介.mp4 · 84_19.2-反向传播.mp4 · 85_19.3-CNN.mp4 · 86_19.4-RNN.mp4 · 87_20.1-深度学习回顾.mp4 · 88_20.2-增强学习（1）.mp4 · 89_20.3-强化学习（2）.mp4