这门课解决的核心问题是：让你真正搞懂机器学习的原理，而不是只看黑盒效果。内容从机器学习的基本问题分类（分类、回归、聚类、强化学习）到监督、无监督、强化学习三大范式，再到七大常见误区和局限，最后落到Python代码实现。学完，你不仅能看懂模型在做什么，还能用代码复现一个完整的模型训练流程，遇到实际问题时知道该选哪种方法、什么时候该放弃。

适合什么基础

  • 最好有Python基础，至少会用函数、循环、条件判断，能读懂变量和列表的基本操作；
  • 不需要数学背景，课程会逐层解释概念和公式，不会直接甩一堆符号让你自己猜；
  • Excel基础的人会觉得上手更快，因为数据可视化部分涉及表格处理和简单统计，与日常办公有交集。

建议先看哪几块

  • 先过"初识机器学习"和"研究哪些问题"，建立整体框架，搞清楚机器学习到底在研究什么、能解决什么类型的问题；
  • "七大常见误区和局限"放在中段看，帮你判断模型能不能用、什么时候别碰，这是很多课会忽略但实战中极其重要的一环；
  • "课程使用的技术栈"和"Anaconda/JupyterNotebook操作"是动手的前提，建议跟着做一遍环境搭建，别跳过，后面代码跑不通会卡住很久。

资料怎么配合练习

  • 视频讲解为主，配套代码在JupyterNotebook里逐行执行，不要只是看，必须自己敲一遍；
  • 每节看完，跟着代码跑一遍，观察结果是否符合预期，如果跑不出结果，回头翻误区那一节，往往正好是理解难点；
  • 没有作业要求，但建议学完一个子模块后，用简单数据集跑一遍训练流程，验证自己是否真懂了，而不是停留在"看懂了但不会做"的阶段；
  • Numpy相关章节是工具基础，建议单独练熟数组创建、索引、合并拆分和统计运算，这些是后面所有代码的底层操作，不能靠直觉。

学完能独立做什么

  • 能独立完成一个监督学习模型的完整训练流程，包括数据准备、模型选型、训练和基础评估；
  • 能看懂一张数据可视化图在说什么，知道不同图表类型分别适合表达什么信息；
  • 能判断一个实际问题的类型，并选择合适的算法范式，遇到效果不达预期时知道可能的原因。

课程目录

01-1-1课程内容和理念.mp4
 27.13M 02-1-2-1本章总览.mp4
 5.14M 02-1-2初识机器学习.mp4
 18.49M 02-2-2-2数据长什么样：常见数据集、典型实例、如何使用.mp4
 13.93M 02-3-2-3研究哪些问题：分类、回归等.mp4
 17.48M 02-4-2-4如何分门别类：监督、无监督、强化学习等.mp4
 16.70M 02-5-2-5机器学习的七大常见误区和局限.mp4
 21.79M 02-1.mp4
 03-1-3-1本章总览：相互关系与学习路线.mp4
 5.46M 03-1-3课程使用的技术栈.mp4
 18.29M 03-10-3-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4
 18.84M 03-11-3-11Numpy数组统计运算：常用的都在这儿了.mp4
 9.80M 03-12-3-12Numpy数组arg运算和排序.mp4
 11.56M 03-13-3-13Numpy数组神奇索引和布尔索引.mp4
 15.09M 03-14-3-14Matplotlib数据可视化：基础绘制与设置.mp4
 12.67M 03-2-3-2Anaconda图形化操作.mp4
 7.89M 03-3-3-3Anaconda命令行操作.mp4
 10.04M 03-4-3-4JupyterNotebook基础使用.mp4
 14.53M 03-5-3-5JupyterNotebook高级使用：常用魔法命令.mp4
 9.62M 03-6-3-6Numpy基础：安装与性能对比.mp4
 9.49M 03-7-3-7Numpy数组创建：特定数组、等差数组、随机数组.mp4
 21.86M 03-8-3-8Numpy数组基础索引：索引和切片.mp4
 10.94M 03-9-3-9Numpy非常重要的数组合并与拆分操作.mp4
 11.62M 04-1-4-1本章总览.mp4
 7.01M 04-2-4-2KNN算法核心思想和原理.mp4
 19.99M 04-3-4-3KNN分类任务代码实现.mp4
 27.60M 04-4-4-4数据集划分：训练集与预测集.mp4
 25.15M 04-5-4-5模型评价.mp4
 26.17M 04-6-4-6超参数.mp4
 24.08M 04-7-4-7特征归一化.mp4
 22.05M 04-8-4-8KNN回归任务代码实现.mp4
 22.22M 04-9-4-9KNN优缺点和适用条件.mp4
 19.31M 05-1-5-1本章总览.mp4
 10.11M 05-10-5-10复杂逻辑回归及代码实现.mp4
 15.07M 05-11-5-11线性算法优缺点和适用条件.mp4
 13.75M 05-2-5-2线性回归核心思想和原理.mp4
 28.36M 05-3-5-3逻辑回归核心思想和原理.mp4
 17.25M 05-4-5-4线性回归代码实现.mp4
 22.67M 05-5-5-5模型评价：MSE、RMSE、MAE和R方.mp4
 22.75M 05-6-5-6多项式回归代码实现.mp4
 17.24M 05-7-5-7逻辑回归算法.mp4
 14.97M 05-8-5-8线性逻辑回归代码实现.mp4
 20.39M 05-9-5-9多分类策略.mp4
 6.40M 06-1-6-1本章总览.mp4
 18.97M 06-2-6-2损失函数.mp4
 33.02M 06-3-6-3梯度下降.mp4
 31.44M 06-4-6-4决策边界.mp4
 20.83M 06-5-6-5过拟合与欠拟合.mp4
 19.57M 06-6-6-6学习曲线.mp4
 21.41M 06-7-6-7交叉验证.mp4
 18.61M 06-8-6-8模型误差.mp4
 26.42M 06-9-6-9正则化.mp4
 31.18M 06-10-6-10LASSO和岭回归代码实现.mp4
 20.52M 06-11-6-11模型泛化.mp4
 16.60M 06-12-6-12评价指标：混淆矩阵、精准率和召回率.mp4
 27.70M 06-13-6-13评价指标：ROC曲线.mp4
 26.31M 07-1-7-1本章总览.mp4
 10.43M 07-2-7-2决策树核心思想和原理.mp4
 15.50M 07-3-7-3信息熵.mp4
 32.81M 07-4-7-4决策树分类任务代码实现.mp4
 29.95M 07-5-7-5基尼系数.mp4
 19.14M 07-6-7-6决策树剪枝.mp4
 24.11M 07-7-7-7决策树回归任务代码实现.mp4
 10.28M 07-8-7-8决策树优缺点和适用条件.mp4
 14.28M 08-1-8-1本章总览.mp4
 19.32M 08-2-8-2神经网络核心思想和原理.mp4
 43.38M 08-3-8-3激活函数.mp4
 24.51M 08-4-8-4正向传播与反向传播.mp4
 18.65M 08-5-8-5梯度下降优化算法.mp4
 23.82M 08-6-8-6神经网络简单代码实现.mp4
 22.91M 08-7-8-7梯度消失和梯度爆炸.mp4
 20.62M 08-8-8-8模型选择.mp4
 30.80M 08-9-8-9神经网络优缺点和适用条件.mp4
 12.97M 09-1-9-1本章总览.mp4
 32.26M 09-10-9-10SVM优缺点和适用条件.mp4
 10.46M 09-2-9-2SVM核心思想和原理.mp4
 13.50M 09-3-9-3硬间隔SVM.mp4
 22.09M 09-4-9-4SVM软间隔.mp4
 17.52M 09-5-9-5线性SVM分类任务代码实现.mp4
 14.73M 09-6-9-6非线性SVM：核技巧.mp4
 35.32M 09-7-9-7SVM核函数.mp4
 15.93M 09-8-9-8非线性SVM代码实现.mp4
 21.88M 09-9-9-9SVM回归任务代码实现.mp4
 10.80M 10-1-10-1本章总览.mp4
 15.02M 10-2-10-2贝叶斯方法核心思想和原理.mp4
 24.07M 10-3-10-3朴素贝叶斯分类.mp4
 13.53M 10-4-10-4朴素贝叶斯的代码实现.mp4
 20.05M 10-5-10-5多项式朴素贝叶斯代码实现.mp4
 19.65M 10-6-10-6贝叶斯方法优缺点和适用条件.mp4
 20.17M 11-1-11-1本章总览.mp4
 9.12M 11-2-11-2集成学习核心思想和原理.mp4
 13.27M 11-3-11-3集成学习代码实现.mp4
 21.90M 11-4-11-4并行策略：Bagging、OOB等方法.mp4
 36.75M 11-5-11-5并行策略：随机森林.mp4
 12.59M 11-6-11-6串行策略：Boosting.mp4
 20.60M 11-7-11-7结合策略：Stacking方法.mp4
 13.77M 11-8-11-8集成学习优缺点和适用条件.mp4
 16.02M 12-1-12-1本章总览.mp4
 6.53M 12-2-12-2聚类算法核心思想和原理.mp4
 10.82M 12-3-12-3k-means和分层聚类.mp4
 15.32M 12-4-12-4聚类算法代码实现.mp4
 19.54M 12-5-12-5聚类评估代码实现.mp4
 15.94M 12-6-12-6聚类算法优缺点和适用条件.mp4
 12.39M 13-1-13-1本章总览.mp4
 10.07M 13-2-13-2PCA核心思想和原理.mp4
 18.61M 13-3-13-3PCA求解算法.mp4
 20.88M 13-4-13-4PCA算法代码实现.mp4
 12.16M 13-5-13-5降维任务代码实现.mp4
 18.11M 13-6-13-6PCA在数据降噪中的应用.mp4
 10.99M 13-7-13-7PCA在人脸识别中的应用.mp4
 23.00M 13-8-13-8主成分分析优缺点和适用条件.mp4
 6.58M 14-1-14-1本章总览.mp4
 9.50M 14-2-14-2概率图模型核心思想和原理.mp4
 34.60M 14-3-14-3EM算法参数估计.mp4
 14.71M 14-4-14-4隐马尔可夫模型代码实现.mp4
 29.41M 14-5-14-5概率图模型优缺点和适用条件.mp4
 8.43M 15-1-15-1本章总览.mp4
 4.67M 15-2-15-2泰坦尼克生还预测.mp4
 54.95M 15-3-15-3房价预测.mp4
 54.61M 15-4-15-4交易反欺诈代码实现.mp4
 27.94M 15-5-15-5如何深入研究机器学习.mp4
 8.55M PART1 PART2 机器学习原理剖析与Python代码实现全流程/