【 深度之眼 】统计学习方法

这门课围绕李航《统计学习方法》展开，讲的是机器学习里最基础的那批经典算法：感知机、k 近邻、朴素贝叶斯、决策树、逻辑斯谛回归与最大熵模型。它不教你怎么调库、怎么跑通一个项目，而是把每个方法的模型形式、学习策略和求解算法讲清楚。如果你之前看公式就卡住、看代码又不知道背后在算什么，这套内容正好补的是中间那一段。

它解决的是"看得懂公式、写不出推导"的问题

很多人学机器学习的路径是反的：先上手 sklearn 调参，回头再补数学，结果遇到面试问"为什么感知机对线性不可分数据不收敛""决策树的信息增益和基尼指数差在哪"就答不上来。这门课的价值在于把定义、损失函数、优化过程一步步拆开讲，尤其是极大似然估计和贝叶斯估计的区别、泛化误差上界这类容易被跳过但面试常问的点，都有单独展开。学完之后你面对一个具体算法，能自己写出它的假设空间、目标函数和迭代更新式，而不是只记得一个名字。

适合什么基础，以及建议的推进顺序

需要你至少学过高等数学里的偏导、线性代数里的向量和矩阵运算，概率论里的条件概率和期望。如果这些还很生，建议先补一轮再进来，否则推导部分会变成看天书。不建议零基础直接啃。推进顺序上，先老老实实看完概论那一章，把监督学习的统一框架、损失函数和风险函数的关系理顺，这是后面所有章节的公共语言。然后按感知机、k 近邻、朴素贝叶斯、决策树、逻辑斯谛回归的顺序走，这个顺序基本是按模型复杂度递增排的，前面理解了，后面逻辑斯谛回归和最大熵模型才不会觉得突然跳跃。

学完能独立做什么，资料怎么配合练习

比较现实的目标是：你能不借助现成库，用 numpy 手写一个感知机或 k 近邻，并解释每一步在优化什么；能看懂论文和面经里对这些算法的推导要求；能判断一个业务问题适不适合用这批方法。资料以讲解视频为主，配合《统计学习方法》原书使用效果最好。建议的用法是：先看一节视频，合上资料自己推一遍公式，再回原书对照例题做一遍，最后用代码把算法实现出来验证。每章至少留出两到三倍的动手时间，光看不写，过两周就忘。这套内容不承诺速成，但如果你愿意按这个节奏走一遍，算法基础这块会扎实很多。