补齐数学短板，打通机器学习的底层逻辑
很多职场人或转行者在面对机器学习时，最大的阻力并非代码实现，而是数学基础薄弱导致的概念断层。这门《机器学习与深度学习基础》体系课，核心解决的就是“知其然不知其所以然”的问题。它不是一堆零散的算法演示，而是从最基础的数学推导、概率统计开始，一步步构建起对线性回归、逻辑回归等核心模型的直觉理解。对于希望在数据分析、算法工程师领域站稳脚跟，或者单纯想透过现象看本质，彻底搞懂模型背后逻辑的人来说，这是一份扎实的入门进阶资料。它适合具备高中数学基础，但线性代数、微积分和概率论概念模糊的读者。如果你已经能熟练使用框架调包，但无法解释参数更新过程或损失函数设计原理，这门课同样能提供必要的理论支撑。
从矩阵到似然，建议按逻辑链条学习
学习时切忌跳步，务必按照“基础数学→概率论→特征建模→具体模型”的顺序推进。建议重点吃透前两天的内容：矩阵概念、矩阵求导以及方差标准差等基础定义。这部分是后续所有推导的基石，特别是矩阵求导，它是理解梯度下降法的关键。随后深入概率模块，不要死记公式，而要理解“似然性”、“联合概率”以及“全概率公式”在场景中的应用。例如，资料中提到的“三发导弹命中概率”案例，看似离生活很远，但它是理解条件概率和独立性概念的绝佳切入点。只有厘清了这些统计概念，才能理解为什么后续要用最大似然估计来训练模型。建议先花两三天时间，手推一遍向量范数和矩阵乘法，再结合例题掌握概率基础，这样在接触线性回归时，才能明白损失函数为何选择均方误差。
学完能独立做什么，如何配合练习
学完这套体系，你能独立完成的不仅仅是调用库，而是能够从零开始解释一个线性回归模型的训练过程，包括如何定义损失函数、如何利用梯度下降更新权重，以及逻辑回归在处理分类问题时为何使用交叉熵而非MSE。你能够独立分析特征对模型预测的影响，并识别数据中的多重共线性等问题。资料包中包含了完整的章节笔记和推导过程，建议采用“读一遍、手推一遍、代码验证一遍”的方法。在看视频或阅读文档时，暂停并自己推导关键公式，比如从概率似然推导出逻辑回归的对数似然函数。不要只盯着结论，要关注每一步变形的数学动机。通过这种高强度的推导练习，你才能真正建立对机器学习底层逻辑的掌控力，为后续学习更复杂的深度学习架构打下坚实基础。
课程目录
QQ_1788869342663.png (13. 43 KB, ) 2026-9-8 20: 09 上传 1.机器学习入门课 day 01 - 基础数学 day 02 - 概率 day 03 - 特征建模 day 04 - 线性回归 day 05 - 逻辑回归 day01 - 基础数学\day 01 - 基础数学 - 完整版 day02 - 概率\01_上节小复习 day02 - 概率\02_向量范数 day02 - 概率\03_矩阵的概念 day02 - 概率\04_矩阵计算基础知识 day02 - 概率\05_矩阵求导 day02 - 概率\06_方差标准差 day02 - 概率\07_三发导弹命中概率 day02 - 概率\08_概率似然性 day02 - 概率\09_联合概率 day02 - 概率\10_并集概率 day02 - 概率\11_全概率公式 day02 - 概率\12_贝叶斯公式 day02 - 概率\13_机器学习理论介绍 day03 - 特征建模\01_机器学习理论介绍 day03 - 特征建模\02_机器学习简介-数学篇 day03 - 特征建模\03_特征工程 day03 - 特征建模\04_特征工程之过滤法 day03 - 特征建模\05_归一化 day03 - 特征建模\06_归一化意义 day03 - 特征建模\07_标准化 day03 - 特征建模\08_特征转换代码演示 day03 - 特征建模\09_主成分分析 day03 - 特征建模\10_主成分分析PCA代码演示 day03 - 特征建模\11_损失函数 day03 - 特征建模\12_经验误差泛化误差 day03 - 特征建模\13_欠恰过拟合 day04 - 线性回归\day04：线性回归 day05 - 逻辑回归\day05：机器学习入门：逻辑回归 2.深度学习入门课 day01：多层感知机 day02：反向传播机制 day03：卷积神经网络 day04：RNN：循环神经网络 day01：多层感知机\1. 复习：机器学习 - 线性回归模型 day01：多层感知机\2. 复习：机器学习 - 逻辑回归 day01：多层感知机\3. 复习：机器学习 - 分类模型 day01：多层感知机\4. 复习：机器学习 - 数据处理 day01：多层感知机\5. 神经网络： 单层感知机：数学模型 day01：多层感知机\6. 神经网络：单层感知机：门电路模拟&异或问题线性不可分 day01：多层感知机\7. 神经网络：多层感知机：MLP模型&激活函数等 day02：反向传播机制\1. 反向传播：前置符号定义 day02：反向传播机制\2. 反向传播：BP1和BP2公式推导 day02：反向传播机制\3. 反向传播：BP3和BP4公式推导 day02：反向传播机制\4. 反向传播：手动推导传播过程 day02：反向传播机制\5. 反向传播：模型权重文件 day02：反向传播机制\6. PyTorch - 五大核心组件 day02：反向传播机制\7. PyTorch - 训练模型的步骤 day03：卷积神经网络\day03：深度学习_ CNN 卷积神经网络-1 day03：卷积神经网络\day03：深度学习_ CNN 卷积神经网络-2 day04：RNN：循环神经网络\day04 - ResNet、RNN
