这门课解决什么实际问题
很多想转行数据分析或AI岗位的初学者，容易陷入两个误区：一是只会调用API，不知道模型底层逻辑；二是拿到真实数据就无从下手，不知道如何评估模型好坏。这门课程的核心价值在于“实用主义”，它不堆砌复杂的数学推导，而是带你亲手实现从数据预处理到模型调优的完整闭环。课程选取了鸢尾花分类、房价预测、糖尿病指标预测这三个经典且贴近工作的场景，覆盖了监督学习中分类与回归两大核心任务。你将学会如何在没有现成框架辅助的情况下，手工写出kNN算法，理解其本质；也会掌握如何利用sklearn快速搭建线性模型，并通过对超参数的调整，找到准确率最高的配置。
适合什么基础、建议先看哪几块
本课适合具备Python基础语法知识、对机器学习概念有初步了解的上班族或转行者。如果你从未写过代码，建议先补全Python语法；如果你已经熟悉基础语法，可以直接进入学习。建议的学习路径非常清晰：首先必须从第一章“手工实现鸢尾花分类器”开始，这一步是理解算法原理的关键，跳过它直接看第三方库会让学生知其然不知其所以然。接着学习第三章，深入理解kNN算法的超参数如何影响分类效果，这是后续调参的基础。随后进入第五章和第六章，通过房价预测和糖尿病指标预测，掌握线性回归在连续值预测中的应用，并学会如何通过交叉验证来科学地评估和调优模型，而非盲目试错。最后通过第八章的特征预处理，了解真实工作中数据清洗的重要性。
学完能独立做什么、资料如何配合
学完这门课后，你将能够独立完成简单结构化数据的建模工作。具体包括：能够针对分类问题（如用户画像打标、商品分类）选择合适的算法并调优；能够针对回归问题（如销售额预测、价格评估）构建线性模型并分析特征影响；能够使用交叉验证和网格搜索等方法提升模型的泛化能力。在练习方面，课程提供的文档和截图资源非常关键。每个章节都配有对应的练习任务，例如用kNN、逻辑回归和SVM进行水果类型识别，或是对糖尿病数据进行可视化线性建模。建议采用“先看代码思路，再动手写练习”的方式。不要直接复制粘贴示例代码，而应遮住答案，根据文档中的提示自行编写。特别是对于练习中提到的水果识别器，建议对照截图中的界面逻辑，理解数据输入输出流程，这样在接触实际业务数据时，你才能迅速建立起从需求到代码的映射关系。
课程目录
📁 6. 比较多种算法的鸢尾花分类准确率 课程代码.docx [13.3 KB] 6. 比较多种算法的鸢尾花分类准确率.mp4 [147.3 MB] 课程界面.png [96.2 KB] 6. 练习：使用kNN、逻辑回归和SVM进行水果类型识别.png [87.3 KB] 6. 练习：使用kNN、逻辑回归和SVM进行水果类型识别.docx [16.6 KB].mp4 📁 3. kNN算法的超参数对鸢尾花分类的影响 3. 练习：kNN算法的超参数对水果识别器的影响【整理分享‖关注公众号 CunWorkNotes】.docx [14.5 KB].mp4 课程代码【资源整理‖公众号 CunWorkNotes】.docx [13.3 KB] 3. kNN算法的超参数对鸢尾花分类的影响【免费分享‖获取更多关注公众号 CunWorkNotes】.mp4 [120.5 MB] 3. 练习：kNN算法的超参数对水果识别器的影响.png [86.4 KB] 课程界面.png [104.0 KB] 📁 1. 手工实现一个简单的鸢尾花分类器 1. 手工实现一个简单的鸢尾花分类器.mp4 [247.2 MB] 1. 练习：手工实现一个简单的水果识别器.【整理分享‖关注公众号 CunWorkNotes】.docx [17.3 KB].mp4 1. 练习：手工实现一个简单的水果识别器.png [78.6 KB] 课程界面.png [98.9 KB] 课程代码.docx [13.7 KB] 📁 5. 房价预测的可视化线性模型 课程代码.docx [13.2 KB] 5. 房价预测的可视化线性模型【整理不易‖关注公众号 CunWorkNotes 获取更多】.mp4 [113.7 MB] 5. 练习：糖尿病患病指标的可视化线性模型.docx [16.4 KB].mp4 5. 练习：糖尿病患病指标的可视化线性模型.png [72.3 KB] 课程界面.png [93.4 KB] 📁 7. 使用交叉验证对鸢尾花分类模型进行调参 7. 使用交叉验证对鸢尾花分类模型进行调参.mp4 [115.9 MB] 7. 练习：使用交叉验证对水果分类模型进行调参【资源整理‖公众号 CunWorkNotes】.docx [16.9 KB].mp4 课程代码.docx [13.5 KB] 课程界面.png [99.1 KB] 7. 练习：使用交叉验证对水果分类模型进行调参.png [97.3 KB] 📁 8. 使用特征预处理提升房价预测模型的性能 课程代码.docx [13.6 KB] 8. 使用特征预处理提升房价预测模型的性能【资源整理‖公众号 CunWorkNotes】.mp4 [164.2 MB] 8. 练习：使用特征预处理提升糖尿病患病指标预测模型的性能【免费分享‖获取更多关注公众号 CunWorkNotes】.docx [16.8 KB].mp4 课程界面.png [94.9 KB] 8. 练习：使用特征预处理提升糖尿病患病指标预测模型的性能.png [78.6 KB] 📁 4. 使用 sklearn 的线性回归算法实现房价预测 课程代码.docx [13.1 KB] 4. 使用 sklearn 的线性回归算法实现房价预测.mp4 [145.9 MB] 4. 练习：预测糖尿病的患病指标.docx [16.3 KB].mp4 课程界面.png [96.6 KB] 4. 练习：预测糖尿病的患病指标.png [74.7 KB] 📁 2. 使用 scikit-learn 的 kNN 分类算法实现鸢尾花分类 2. 使用 scikit-learn 的 kNN 分类算法实现鸢尾花分类【资源整理‖公众号 CunWorkNotes】.mp4 [122.8 MB] 2. 练习：使用 scikit-learn 的 kNN 分类算法实现水果识别器.docx [16.5 KB].mp4 课程代码.docx [13.3 KB] 2. 练习：使用 scikit-learn 的 kNN 分类算法实现水果识别器.png [81.3 KB] 课程界面.png [100.5 KB]
