先理清定位：Go 语言做机器学习的实际价值
提到机器学习，默认语言是 Python，Go 在这个领域存在感偏弱。但如果你在做后端服务，尤其是高并发接口、实时推荐或数据管道，纯 Python 方案常遇到性能或部署瓶颈。这门课解决的就是这类场景：用 Go 处理数据读取、内存与硬盘级缓存，并把向量、矩阵、统计这些机器学习底层数学概念用工程语言实现一遍。它不是教你训练大模型，而是帮你理解在工程系统里，数据怎么进来、怎么缓存、怎么算。值不值得学，取决于你是否需要把机器学习逻辑嵌进后端服务，而不是单纯跑实验脚本。
适合什么基础与建议先看的几块
这门资料不适合零基础。你需要能写基本 Go 语法，懂结构体和方法，最好碰过文件读写。数学方面，高中到大学初级的线性代数和统计够用，课程会从向量、矩阵概念讲起，但节奏偏快，不会反复铺垫。建议先看数据读取和缓存那几块：内存 key-value 缓存、硬盘 key-value 缓存、CSV 与 JSON 读取。这几块直接对应后端开发里最常见的数据接入场景，看完能立刻在自己项目里跑通数据加载流程。之后再按顺序看向量、矩阵、统计部分，这些是后面算法实现的基础，跳过会导致后续代码看不懂计算逻辑。
学完能独立做什么与资料配合方式
学完之后，你能独立写一个 Go 版的数据预处理模块：从 CSV 或 JSON 读数据，做行列截取和极值提取，用内存或硬盘缓存中间结果，再对数据做向量化表示和基础统计计算。这是一个完整的推荐引擎数据层雏形，虽然不会直接产出模型，但能支撑后续算法接入。资料配合练习的建议是：每看完一个数据操作模块，就用自己的数据集替换课程示例里的数据，重写一遍读取和缓存逻辑。数学基础部分，不要只看视频，手动用 Go 把向量加减、矩阵乘法敲一遍，对照课程里的计算结果。这样到统计那块，你才能真正理解代码在算什么，而不是抄一遍函数调用。
了解go的机器学习
课程目录
* 01 day1/
* 01 2机器学习-内存keyvalue缓存系统.mp4 04:47
* 02 1机器学习与推荐引擎的介绍.mp4 13:56
* 03 3机器学习-硬盘keyvalue缓存系统..mp4 05:13
* 04 4机器学习-读取CSV文件.mp4 13:23
* 05 5.机器学习-读取CSV行列截取.mp4 13:41
* 06 6机器学习-读取json文件.mp4 02:59
* 07 7机器学习-读取csv取得极值.mp4 01:55
* 08 9机器学习基础-向量.mp4 09:04
* 09 10机器学习-基础向量计算.mp4 11:57
* 10 11机器学习基础-矩阵简介.mp4 08:06
* 11 12机器学习基础-矩阵计算.mp4 06:18
* 12 13机器学习基础-统计.mp4 15:47
* 13 14.机器学习基础-概率.mp4 37:17
* 14 15机器学习基础-绘图.mp4 11:26
* 15 16机器学习基础-简单绘图.mp4 12:30
* 16 17机器学习基础-根据数据绘图.mp4 09:00
* 17 18机器学习基础-多列数据联合绘图.mp4 05:32
* 18 19机器学习初级-分类指标1-**度.mp4 13:00
* 19 20机器学习初级-分类指标2-根据类别计算**度.mp4 08:15
* 20 21机器学习初级-分类指标3.mp4 05:25
* 21 23机器学习初级-连续指标2.mp4 02:02
* 22 22机器学习初级-连续指标1.mp4 07:57
* 23 24机器学习初级-数据分割为训练与测试.mp4 01:52
* 02 day2/
* 01 1.机器学习中级-线性回归-数据预览.mp4 09:11
* 02 2.机器学习中级-线性回归-数据绘图.mp4 05:44
* 03 3机器学习中级-线性回归-数据xy预览.mp4 06:47
* 04 4机器学习中级-线性回归-数据分割.mp4 02:38
* 05 5机器学习中级-线性回归-数据训练.mp4 10:18
* 06 6机器学习中级-线性回归-数据测试.mp4 07:38
* 07 7机器学习中级-线性回归-数据绘图.mp4 09:42
* 08 8机器学习中级-多元回归.mp4 08:08
* 09 9机器学习中级-非线性回归-数据处理为矩阵与向量.mp4 13:22
* 10 10机器学习中级-非线性回归.mp4 04:03
* 11 10机器学习中级-非线性回归误差分析.mp4 08:30
* 12 11机器学习中级go-learning简介.mp4 33:11
* 13 12机器学习中级-决策树.mp4 10:38
* 14 13机器学习中级-决策树-随机森林.mp4 03:10
* 15 14机器学习中级-贝叶斯算法.mp4 21:35
* 16 15机器学习中级-近邻算法.mp4 02:00
* 17 16机器学习中级-逻辑回归简介.mp4 09:10
* 18 17机器学习中级-逻辑回归-处理数据.mp4 17:48
* 19 18机器学习中级-逻辑回归-绘图.mp4 07:30
* 20 19机器学习中级-逻辑回归-切割.mp4 01:39
* 21 20机器学习中级-逻辑回归-预测.mp4 23:08
* 22 21机器学习中级-逻辑回归-测试.mp4 08:59
* 23 22机器学习中级-均值回归与监督学习小结.mp4 13:15
* 24 23机器学习中级-无监督学习-距离.mp4 05:24
* 25 24机器学习中级-无监督学习-计算重心.mp4 12:23
* 26 25机器学习中级-无监督学习-轮廓系数.mp4 18:19
* 27 26机器学习中级-无监督学习kmean算法-图像分析.mp4 10:29
* 28 27机器学习中级-无监督学习kmean算法简介.mp4 04:19
* 29 28机器学习中级-无监督学习kmean分类.mp4 08:57
* 30 29机器学习中级-无监督学习-分类上色绘图.mp4 05:50
* 31 30机器学习中级-异常数据监测.mp4 07:11
* 32 31机器学习中级-时间序列.mp4 10:20
* 33 32统计学ACF自相关与PACF偏自相关.mp4 10:13
* 34 33机器学习中级-自回归.mp4 15:05
* 03 day3/
* 01 1.机器学习高级-weakai框架.mp4 06:36
* 02 2.weakai框架boosting算法.mp4 07:38
* 03 3.weakai框架evolution线性回归.mp4 02:29
* 04 34机器学习中级-分布式数据引擎pachyderm.mp4 06:04
* 05 4.机器学习高级-weakai-决策树idtree.mp4 06:54
* 06 5.机器学习高级-weakai解决地图染色.mp4 02:29
* 07 6机器学习高级-weak维基百科相似度搜索.mp4 05:17
* 08 7机器学习高级-weakai的神经网络图像识别.mp4 05:31
* 09 8机器学习高级-weakai的RBM神经网络.mp4 04:25
* 10 9机器学习高级-weakai循环神经网络RNN.mp4 01:20
* 11 10机器学习高级-weakai机器学习算法SVM.mp4 01:44
* 12 11机器学习中级-保存模型为json.mp4 35:37
* 13 12Linux-go-tensorflow环境简介.mp4 07:04
* 14 13根据已有数据模型实现图像识别.mp4 17:49
* 15 14gp-tensorflow简介.mp4 12:59
* 16 15-go-tensorflow图片分类器.mp4 18:32
* 17 16go-tensorflow实现图片增强放大.mp4 15:28
* 18 17go-tensorflow实现图片整体挖掘.mp4 03:58
* 19 18go-tensorflow-实现自动驾驶环境观察.mp4 07:14
* 20 19go-tensoflow总结.mp4 02:00
* 21 20go-情感分析.mp4 33:41
* 22 21go-自然语言处理.mp4 17:24
* 23 22gorse实现数据推荐.mp4 15:50
* 24 23推荐系统.mp4 12:08
* 25 资料
