机器学习岗位面试常陷入两个极端：要么只懂理论推导，写不出代码；要么只会刷题，对算法原理一知半解。这套课程专为解决“算法落地能力缺失”而设计，将机器学习核心概念与高频编程题拆解为可执行的周计划。它不追求覆盖所有冷门算法，而是聚焦于面试中最高频的特征工程、模型评估、监督学习经典算法以及基础数据结构操作。适合具备 Python 基础、了解基本线性代数概念，但缺乏实战经验或面试准备的职场人。如果你是纯小白，建议先补完 Python 基础语法和 NumPy 库使用再入手，否则在跟练排序和窗口问题时会产生断层。
建议的学习路径并非线性通看，而是采用“理论-代码-复盘”的闭环。首先从 Week1 的特征工程与模型评估模块入手，这部分是面试的基石，重点理解过拟合、欠拟合的判断逻辑及正则化手段。紧接着进入经典算法部分，逻辑回归和决策树是必考项，不要只记公式，要在代码中手动实现前向传播和树节点分裂，理解每个超参数对模型性能的具体影响。在穿插的编程练习中，快速排序、堆排序、滑动窗口和双指针是重点。这些并非独立的计算机科学知识，而是为了让你在处理大规模数据预处理或优化模型训练效率时，能写出时间复杂度可控的代码。例如，在处理时序数据时，滑动窗口能帮你高效计算移动平均，而双指针则常用于解决数据清洗中的去重和区间合并问题。
学完这套内容，你应能独立完成以下任务：针对一个给定的数据集，完成从特征选择、特征缩放、模型选型到超参数调优的全流程，并能用伪代码或 Python 解释模型内部的计算逻辑。同时，在面试中遇到“如何用代码实现一个简单的线性回归”或“解释决策树剪枝策略”时，能清晰分步作答，并给出代码框架。资料配合练习时，务必动手敲代码，不要只看不练。每看完一个算法视频，立即打开编辑器，尝试不看笔记复现其核心逻辑。对于编程题，先自己思考 20 分钟，再对照视频解题思路，重点对比时间复杂度的优化点。如果遇到卡顿，回到绪论部分重新梳理基础概念，确保没有跳步。这套课程的价值不在于让你成为算法科学家，而在于让你具备扎实的工程落地能力，能在实际工作中独立搭建简单的机器学习 Pipeline，并在面试中展现出理论与实践结合的深度。
课程目录
78805a221a988e7-39.png (126. 53 KB, ) 2025-2-23 12: 34 上传 | └──资料.rar 1.67kb ├──01.绪论.mp4 10.60M ├──02.Week1 【了解机器学习中的特征工程和模型评估】P1快速排序.mp4 29.69M ├──03.Week1 【了解机器学习中的特征工程和模型评估】P2堆排序.mp4 27.04M ├──04.Week1 【了解机器学习中的特征工程和模型评估】P3滑动窗口.mp4 21.32M ├──05.Week1 【了解机器学习中的特征工程和模型评估】P4双指针.mp4 27.71M ├──06.Week1 【了解监督学习中的经典算法】P1逻辑回归.mp4 20.32M ├──07.Week1 【了解监督学习中的经典算法】P2决策树.mp4 24.09M ├──08.Week2【学习支持向量机】P1几个重要的概念.mp4 7.38M ├──09.Week2【学习支持向量机】P2svm最优化问题.mp4 16.89M ├──10.Week2【学习支持向量机】P3硬间隔SVM最优化问题的推导.mp4 37.02M ├──11.Week2【学习支持向量机】P4线性可分SVM.mp4 24.51M ├──12.Week2【学习支持向量机】P5核函数.mp4 23.63M ├──13.Week2【学习支持向量机】P6smo算法.mp4 41.56M ├──14.Week2【数据结构和算法】P1KMP算法.mp4 56.44M ├──15.Week2【数据结构和算法】P2二分搜索.mp4 45.27M ├──16.Week2【数据结构和算法】P3哈希表.mp4 21.86M ├──17.Week2【了解机器学习中如何降维处理】PCA和LDA.mp4 42.01M ├──18.Week3【了解机器学习中的非监督学习算法】K-means.mp4 37.53M ├──19.Week3【数据结构和算法】P1虚拟头结点.mp4 59.31M ├──20.Week3【数据结构和算法】P2链表中环的入口结点.mp4 51.58M ├──21.Week3【数据结构和算法】P3删除链表中重复的结点.mp4 22.22M ├──22.Week3【数据结构和算法】P4栈，队列.mp4 32.10M ├──23.Week4 【机器学习中的概率图模型】P1hmm的引出和问题的介绍.mp4 27.08M ├──23.【达观杯nlp比赛】第一周第一节了解NLP任务和熟悉比赛题目-赛前介绍和准备.mp4 33.68M ├──24.Week4 【机器学习中的概率图模型】P2HMM预测问题之维特比算法.mp4 39.88M ├──24.【达观杯nlp比赛】第一周第一节了解NLP任务和熟悉比赛题目-赛题介绍和思路分析.mp4 38.76M ├──25.Week4 【机器学习中的概率图模型】P3crf的一些基础概念.mp4 24.84M ├──25.【达观杯nlp比赛】第一周第二节数据分析及处理.mp4 78.21M ├──26.Week4 【机器学习中的概率图模型】P4crf具体介绍.mp4 31.34M ├──26.【达观杯nlp比赛】第一周第三节——Baseline实现.mp4 70.24M ├──27.Week4【数据结构和算法】P1DFS和BFS.mp4 34.88M ├──27.【达观杯nlp比赛】第一周第四节 验证集构建和交叉验证.mp4 77.61M ├──28.Week4【数据结构和算法】P2最短路径.mp4 32.96M ├──28.【达观杯nlp比赛】第二周第一节 tensorflow2.0入门.mp4 71.65M ├──29.Week4【数据结构和算法】P3最小生成树.mp4 25.95M ├──29.【达观杯nlp比赛】第二周第二节词向量及word2vec简介.mp4 73.13M ├──30.Week4【数据结构和算法】P4二叉树的遍历.mp4 24.59M ├──30.【达观杯nlp比赛】第二周第三节深度学习baseline构建.mp4 108.23M ├──31.Week4【数据结构和算法】P4二叉搜索树和平衡二叉树.mp4 35.88M ├──31.【达观杯nlp比赛】第二周第四节深度学习baseline交叉验证.mp4 47.23M ├──32.Week5【前向神经网络】P1网络图和激活函数.mp4 9.20M ├──32.【达观杯nlp比赛】第三周第一节深度学习模型提升.mp4 103.95M ├──33.Week5【前向神经网络】P2前向传播.mp4 14.05M ├──33.【达观杯nlp比赛】第三周第二节模型调参和模型融合.mp4 70.73M ├──34.Week5【前向神经网络】P3损失函数选用.mp4 6.53M ├──35.Week5【前向神经网络】P4反向传播1.mp4 20.55M ├──36.Week5【前向神经网络】P5反向传播2.mp4 57.35M ├──37.Week5【数据结构和算法】什么是递归(斐波那契额数列、跳台阶、变态跳台阶).mp4 38.55M ├──38.Week5【数据结构和算法】回溯法(机器人的运动范围).mp4 66.27M ├──39.Week5【数据结构和算法】什么是动态规划(leetcode 70题).mp4 18.30M ├──40.Week5【数据结构和算法】01背包问题.mp4 47.05M ├──41.Week5【数据结构和算法】leetcode416（01背包实例）.mp4 36.41M ├──42.Week5【数据结构和算法】最长公共子序列(leetcode 1143题).mp4 27.30M ├──43.Week5【数据结构和算法】最长上升子序列(leetcode 300题).mp4 24.12M ├──44.Week5【了解序列数据中常用的循环神经网络】P1RNN.mp4 22.47M ├──45.Week5【了解序列数据中常用的循环神经网络】P2GRU和LSTM.mp4 11.63M ├──46.Week6【集成学习的原理和常见的集成学习】P1提升树算法.mp4 25.66M ├──47.Week6【集成学习的原理和常见的集成学习】P2梯度提升树算法.mp4 26.23M ├──48.Week6【集成学习的原理和常见的集成学习】P3二分类问题.mp4 37.45M ├──49.Week6【集成学习的原理和常见的集成学习】P4多分类问题和回归问题.mp4 11.66M ├──50.Week6【xgboost的原理以及常见面试题】P1xgboost的一些预备知识.mp4 20.54M ├──51.Week6【xgboost的原理以及常见面试题】P2结构分.mp4 26.77M ├──52.Week6【xgboost的原理以及常见面试题】P3贪心算法寻找分裂点.mp4 33.79M ├──53.Week6【xgboost的原理以及常见面试题】P5缺失值处理算法.mp4 20.03M └──54.Week6【xgboost的原理以及常见面试题】P6其他优化.mp4 11.12M
