在报名前，请先确认这门课是否匹配你当前的需求。它专为零基础初学者设计，核心在于利用 Python 3 和 scikit-learn 框架，系统梳理线性回归、逻辑回归、决策树、SVM 及聚类等经典算法。它不涉猎前沿的大模型或深度学习，而是聚焦于“算法原理”与“代码实现”的结合。如果你的目标是快速上手传统机器学习任务，解决数据分类、回归预测或降维可视化问题，这门课非常合适。但如果你缺乏 Python 基础，建议先花一周时间熟悉基本语法和 Jupyter Notebook 的操作，否则在环境配置和基础代码编写上会消耗大量精力，打断对算法逻辑的理解。

学习顺序与重点突破

不要盲目从头跑到尾，建议分阶段攻克。第一阶段务必吃透“机器学习全局观”和“模型评估指标”。许多初学者容易跳过评估体系，直接调参，导致无法识别过拟合或欠拟合问题。务必理解交叉验证、混淆矩阵等概念，这是判断模型好坏的唯一标准。第二阶段，挑选 2-3 个与你工作场景相关的算法深入练习。例如做文本分析重点关注逻辑回归，做推荐系统则侧重 K 近邻。配合资料包时，不要只阅读代码，要手动修改数据特征和超参数，观察模型输出的变化。机器学习的能力构建依赖“跑代码、改参数、看结果”的反复循环。若遇到版本兼容问题，优先检查 scikit-learn 的 API 差异，而非盲目修改逻辑。

学完后的独立能力

完成课程后，你应具备独立处理中等复杂度数据项目的能力。具体来说，给定一个清洗好的数据集，你能独立判断适用哪类算法，编写完整的训练、评估及调参代码，并能通过可视化的图表解释模型性能波动的原因。这是你从“调包侠”进阶为“算法工程师”的关键一步。但需明确边界：本课程侧重于算法理解与基础应用，并不深入覆盖脏数据清洗、复杂的特征工程以及生产环境的部署上线。这些工程化技能需后续补充。资料包中的数据集建议从小规模数据开始练习，确保流程跑通后再尝试大规模数据，避免因内存溢出等技术障碍阻碍学习进度。这门课的价值在于搭建坚固的知识框架，让你在面对更复杂的深度学习或业务场景时，能清晰知道经典算法在整体流程中的位置与作用。

课程目录

QQ_1771651141387.png (22.

81 KB,  ) 2026-2-21 13:

33 上传 课程介绍： 特为机器学习初学者量身打造，使用新版python3语言和流行的scikit-learn框架，算法与编程两翼齐飞，由浅入深，一步步的进入机器学习的世界。学到的不只是一门课程，更是不断思考的能力。 鸟瞰机器学习全局，轻松步入人工智能之门 力图培养大家理解机器 学习整个领域的框架，为今后的学习探索打下坚实基础 课程目录： ├── 第01章 欢迎来到Python3玩转机器学习 | ├──1-1 什么是机器学习.mp4
 65.58M | ├──1-2课程涵盖的内容和理念.mp4
 42.64M | └──1-3课程所使用的技术栈.mp4
 56.89M ├── 第02章 机器学习基础 | ├──2-1 机器学习的数据.mp4
 48.90M | ├──2-2 机器学习的主要任务.mp4
 58.97M | ├──2-3 监督学习、非监督学习....mp4
 47.35M | ├──2-4 批量、在线学习、参数、非参数学习.mp4
 24.84M | ├──2-5 哲学思考.mp4
 24.97M | └──2-6 课程使用环境搭建.mp4
 91.78M ├── 第03章 Jupyter Notebook ,numpy | ├──3-1 Jupyter Notebook基础.mp4
 82.05M | ├──3-

10 Numpy中的比较和Fancy lindexing.mp4
 103.36M | ├──3-11 Matplotlib数据可视化基础.mp4
 101.25M | ├──3-12 数据加载和简单的数据搜索.mp4
 73.13M | ├──3-2Jupter Notebook 中的魔法命令.mp4
 103.49M | ├──3-3 Numpy 数据基础.mp4
 39.05M | ├──3-4 创建Numpy 数据和矩阵.mp4
 103.14M | ├──3-5 Numpy数组和矩阵的基本操作.mp4
 66.29M | ├──3-6 Numpy 数据和矩阵的合并与分割.mp4
 81.22M | ├──3-7 Numpy中的矩阵运算.mp4
 120.38M | ├──3-8 Numpy 中的聚合运算.mp4
 72.34M | └──3-9 Numpy中的arg运算.mp4
 50.83M ├── 第04章 最基础的分类算法 | ├──4-1 K近邻算法.mp4
 74.44M | ├──4-2 scikit-learn机器学习算法封装.mp4
 145.12M | ├──4-3 训练数据集.mp4
 122.47M | ├──4-4 分类准确度.mp4
 130.51M | ├──4-5 超参数.mp4
 92.30M | ├──4-6 网络搜索与K邻近算法中更多超参数.mp4
 131.02M | ├──4-7 数据归一化.mp4
 56.81M | ├──4-8 Scikit-learn中的Scaler.mp4
 115.75M | └──4-9 更多有关K近邻算法的思考.mp4
 22.66M ├── 第05章 线性回归法 | ├──5-1 简单线性回归.mp4
 43.75M | ├──5-10 线性回归的可解释性.mp4
 61.85M | ├──5-2 最小乘法.mp4
 24.65M | ├──5-3 简单线性回归的实现.mp4
 75.69M | ├──5-4 衡量线性回归的指标.mp4
 56.59M | ├──5-5 R Squared.mp4
 90.33M | ├──5-6 最好的衡量线性回归法的指标.mp4
 56.12M | ├──5-7多元线性回归和正规方程解.mp4
 33.28M | ├──5-8 实现多元线性回归.mp4
 78.59M | └──5-9 使用Scilit-learn解决回归问题.mp4
 82.34M ├── 第06章 梯度下降法 | ├──6-1 什么是梯度下降法.mp4
 33.49M | ├──6-2线性回归中的梯度下降法.mp4
 109.29M | ├──6-3实现线性回归中的梯度下降法.mp4
 35.27M | ├──6-4 实现线性回归中的梯度下降法.mp4
 84.18M | ├──6-5 梯度下降法的向量化.mp4
 108.59M | ├──6-6 随机梯度下降法.mp4
 77.40M | ├──6-7 scikit-learn中的梯度下降法.mp4
 130.65M | ├──6-8有关梯度下降法的更多深入讨论.mp4
 59.09M | └──6-9 有关梯度下降法的更多讨论.mp4
 18.08M ├── 第07章 PCA与梯度上升法 | ├──7-1 什么是PCA.mp4
 37.78M | ├──7-2 求数据的主成分PCA问题.mp4
 20.17M | ├──7-3 求数据的主成分.mp4
 96.85M | ├──7-4 高维数据映射为低维数据（）.mp4
 73.25M | ├──7-5 高纬数据映射为低纬数据.mp4
 92.26M | ├──7-6 scikit-learn中的PCA.mp4
 111.24M | ├──7-7 试手MNIST数据集.mp4
 61.85M | ├──7-8 使用PCA对数据进行降噪.mp4
 67.71M | └──7-9 人脸识别与特征脸.mp4
 69.10M ├── 第08章 多项式回归与模型泛化 | ├──8-1 什么是多项式回归.mp4
 53.41M | ├──8-10 L1，L2弹性网络.mp4
 26.47M | ├──8-2 scikit-learn 中的多项式回归.mp4
 80.46M | ├──8-3 过拟合与欠拟合.mp4
 109.96M | ├──8-4 为什么要训练数据集与测试数据集.mp4
 103.78M | ├──8-5 学习曲线.mp4
 79.53M | ├──8-6 验证数据集与交叉验证.mp4
 132.98M | ├──8-7 偏差方差平衡.mp4
 35.51M | ├──8-8 模型泛化与岭回归.mp4
 106.05M | └──8-9 LASSO.mp4
 69.89M ├── 第09章 逻辑回归 | ├──9-1 什么是逻辑回归.mp4
 37.33M | ├──9-2 逻辑回归的损失函数.mp4
 36.88M | ├──9-3 逻辑回归损失函数的梯度.mp4
 48.94M | ├──9-4 实现逻辑回归算法.mp4
 141.51M | ├──9-5 决策边界.mp4
 98.85M | ├──9-6 在逻辑回归中使用多项式特征.mp4
 72.41M | ├──9-7 scikt-learn中的逻辑回归.mp4
 85.09M | └──9-8 OvR与OvO.mp4
 65.86M ├── 第10章 评价分类结果 | ├──10-1准确度的陷阱和混淆矩阵.mp4
 32.12M | ├──10-2 准确率和召回率.mp4
 27.28M | ├──10-3 现实混淆矩阵.mp4
 87.66M | ├──10-4 F1 Score.mp4
 61.67M | ├──10-5 准确率和召回率的平衡.mp4
 79.09M | ├──10-6 准确率召回率曲线.mp4
 91.92M | ├──10-7 ROC曲线.mp4
 58.24M | └──10-8 多分类问题中的混淆矩阵.mp4
 78.56M ├── 第11章 支撑向量机SVM | ├──11-1 什么是SVM.mp4
 31.40M | ├──11-2 svm背后的最优化问题.mp4
 44.39M | ├──11-3 Soft Margin SVM.mp4
 35.41M | ├──11-4 Scikit-learn 中的SVM.mp4
 89.58M | ├──11-5 SVM中使用多项式特征和核函数.mp4
 61.53M | ├──11-6 什么是核函数.mp4
 36.60M | ├──11-7RBF核函数.mp4
 46.77M | ├──11-8 RBF核函数中的gamma.mp4
 57.67M | └──11-9 SVM思想解决回归问题.mp4
 36.03M ├── 第12章 决策树 | ├──12-1 什么是决策树.mp4
 38.37M | ├──12-2 信息熵.mp4
 39.82M | ├──12-3 - 12-5.mp4
 252.76M | └──12-6 - 12-7 .mp4
 51.70M ├── 第13章 集成学习和随机森林 | └──13章.mp4
 419.11M ├── 第14章 更多机器学习算法 | └──14章 学习scikit-learn文档，大家加油！.mp4
 160.37M ├──github地址.txt 0.07kb ├──ISLR Seventh Printing.pdf
 10.64M ├──Mastering Feature Engineering Principles and Techniques for Data Scientists (Early Release)-O’reilly (2016).pdf
 3.57M └──project.zip
 124.81kb