击破机器学习入门壁垒：从原理认知到工程落地
很多技术人员转岗或自学时，常卡在“听不懂数学公式”和“不会写代码”两个坑里。这门课程不讲晦涩的推导，而是用直观的案例拆解核心算法，专门解决初学者面对机器学习无从下手的焦虑。它涵盖了从线性回归、逻辑回归到决策树、神经网络等主流模型，旨在让你跳过枯燥的理论灌输，直接掌握算法背后的逻辑与实现，填补你在 AI 领域的知识空白。
低门槛切入，建议先通读概览再分章深钻
课程对数学基础没有过高要求，适合有编程经验但缺乏算法背景的学习者，也适合想补全技能树的职场人。建议你先浏览开篇的课程简介，快速建立对机器学习体系的整体认知，明确各模块间的逻辑关系。随后再按顺序观看具体算法章节，这样能避免在细枝末节上浪费时间。学习过程中，务必保持“学完一章、练一章”的节奏，不要只看不练，否则很容易出现“一看就会一放就废”的情况。
资料包是实操拐杖，学完能独立交付项目
课程配套的代码资料包是你的最佳实战助手，请务必解压后跟着代码逐行运行，理解每一步代码在做什么，而不是直接复制粘贴。建议在学习每个算法时，尝试替换资料包中的测试数据，或者微调关键参数，观察模型效果的变化，这才是内化知识的关键。学完这套内容后，你应当具备独立使用 Python 生态完成数据清洗、特征工程、模型训练、调优及评估的全套能力。面对实际业务需求，你能根据数据特点选择合适的算法模型，并输出可运行的预测程序，真正具备承接机器学习相关项目的能力。
课程目录
尚硅谷AI大模型之机器学习 4.视频 001_机器学习课程简介.mp4 002_数学基础_导数的概念和基本公式.mp4 003_数学基础_基本求导法则.mp4 004_数学基础_用导数求极值和二阶导数.mp4 005_数学基础_代码绘制导函数图像.mp4 006_数学基础_偏导数.mp4 007_数学基础_方向导数.mp4 008_数学基础_梯度.mp4 009_数学基础_标量与向量.mp4 010_数学基础_向量代码测试.mp4 011_数学基础_矩阵概念及基本运算.mp4 012_数学基础_矩阵基本运算代码测试.mp4 013_数学基础_矩阵的其它运算和张量.mp4 014_数学基础_矩阵其它运算代码测试.mp4 015_数学基础_矩阵求导.mp4 016_数学基础_梯度矩阵.mp4 017_数学基础_概率的基本概念和计算.mp4 018_数学基础_概率分布.mp4 019_数学基础_贝叶斯定理.mp4 020_数学基础_似然函数和极大似然估计.mp4 021_机器学习_概述.mp4 022_机器学习_概念范畴.mp4 023_机器学习_发展历史.mp4 024_机器学习_应用领域.mp4 025_机器学习_基本术语.mp4 026_机器学习_分类.mp4 027_机器学习_常见方法.mp4 028_核心原理_监督学习建模流程.mp4 029_核心原理_特征工程_整体介绍.mp4 030_核心原理_特征工程_低方差过滤法.mp4 031_核心原理_特征工程_相关系数法_Pearson.mp4 032_核心原理_特征工程_相关系数法_Spearman.mp4 033_核心原理_特征工程_PCA降维.mp4 034_核心原理_损失函数.mp4 035_核心原理_经验误差和泛化误差.mp4 036_核心原理_欠拟合和过拟合.mp4 037_核心原理_拟合案例_整体思路.mp4 038_核心原理_拟合案例_导入模块和生成数据.mp4 039_核心原理_拟合案例_欠拟合.mp4 040_核心原理_拟合案例_恰好拟合和过拟合.mp4 041_核心原理_正则化.mp4 042_核心原理_正则化案例.mp4 043_核心原理_交叉验证.mp4 044_核心原理_模型求解_解析法.mp4 045_核心原理_模型求解_梯度下降法.mp4 046_核心原理_模型求解_梯度下降法案例1.mp4 047_核心原理_模型求解_梯度下降法案例2.mp4 048_核心原理_模型求解_学习率测试.mp4 049_核心原理_模型求解_梯度下降法的应用.mp4 050_核心原理_模型求解_牛顿法和拟牛顿法.mp4 051_核心原理_回归评价指标.mp4 052_核心原理_分类评价指标_混淆矩阵.mp4 053_核心原理_分类评价指标_准确率、精确率、召回率和F1.mp4 054_核心原理_分类评价指标_评估报告.mp4 055_核心原理_分类评价综合案例.mp4 056_核心原理_分类评价指标_ROC曲线.mp4 057_核心原理_分类评价指标_AUC.mp4 058_KNN_基本原理.mp4 059_KNN_分类示例代码.mp4 060_KNN_回归示例代码.mp4 061_KNN_常见距离度量方法.mp4 062_KNN_归一化.mp4 063_KNN_归一化代码测试.mp4 064_KNN_标准化.mp4 065_KNN_心脏病检测案例_数据集加载.mp4 066_KNN_心脏病检测案例_特征工程.mp4 067_KNN_心脏病检测案例_模型训练、保存和预测.mp4 068_KNN_心脏病检测案例_网格搜索和交叉验证.mp4 069_线性回归_基本概念和应用.mp4 070_线性回归_API调用.mp4 071_线性回归_损失函数.mp4 072_线性回归_一元线性回归解析解.mp4 073_线性回归_正规方程法求解.mp4 074_线性回归_API调用_截距参数.mp4 075_线性回归_梯度下降法.mp4 076_线性回归_梯度下降法_手动代码实现.mp4 077_线性回归_梯度下降法API_SGDRegressor.mp4 078_线性回归_梯度下降法案例_广告效果预测.mp4 079_逻辑回归_基本原理和应用.mp4 080_逻辑回归_损失函数.mp4 081_逻辑回归_损失函数的梯度.mp4 082_逻辑回归_API介绍.mp4 083_逻辑回归案例_心脏病检测.mp4 084_逻辑回归_多分类_OVR.mp4 085_逻辑回归_多分类_Softmax回归.mp4 086_逻辑回归案例_手写数字识别_数据集加载.mp4 087_逻辑回归案例_手写数字识别_模型训练和预测.mp4 088_感知机_基本原理.mp4 089_感知机_表示逻辑门电路.mp4 090_感知机_逻辑门代码实现_与门.mp4 091_感知机_逻辑门代码实现_与非门和或门.mp4 092_感知机_感知机的局限.mp4 093_感知机_多层感知机实现异或门.mp4 094_朴素贝叶斯_基本原理.mp4 095_朴素贝叶斯_极大似然估计.mp4 096_朴素贝叶斯_贝叶斯估计.mp4 097_朴素贝叶斯_学习和分类.mp4 098_决策树_基本原理.mp4 099_决策树_工作过程.mp4 100_决策树_信息熵和条件熵.mp4 101_决策树_信息增益和ID3.mp4 102_决策树_信息增益率和C4.5.mp4 103_决策树_基尼指数和CART.mp4 104_决策树_剪枝.mp4 105_SVM_基本介绍.mp4 106_SVM_线性可分SVM.mp4 107_SVM_线性SVM.mp4 108_SVM_非线性SVM.mp4 109_集成学习_基本概念和分类.mp4 110_集成学习_AdaBoost.mp4 111_集成学习_随机森林.mp4 112_无监督学习_聚类_整体介绍.mp4 113_无监督学习_聚类_K-means.mp4 114_无监督学习_聚类_层次聚类.mp4 115_无监督学习_聚类_密度聚类.mp4 116_无监督学习_聚类_KMeans代码示例.mp4 117_无监督学习_聚类_评价指标.mp4 118_无监督学习_降维_SVD基本原理.mp4 119_无监督学习_降维_SVD代码调用.mp4 120_无监督学习_降维_PCA.mp4 1.资料&算法图都在笔记中 2.测试数据 3.代码
