TL-Python算法二期视频课程【VIP】

为什么学完线性回归还在做不出预测？

很多Python学习者卡在「能写代码，但不懂模型为何失效」。本课专为填补算法原理与工程落地之间的鸿沟而生。从线性回归切入，你不再只会调 `sklearn` 接口，而是理解最小二乘法的几何意义、过拟合的数学本质。接着通过「学生分数预测」项目，你将亲手搭建端到端的回归管道：数据清洗、特征缩放、多项式特征展开、模型评估。这一步是大多数自学者的盲区——他们知道模型名称，却不知道何时该用多项式回归而非线性回归。

分类任务中的关键决策点

从逻辑回归到SVM，课程刻意安排了HOG特征+SVM的行人检测实战。这是为了让你体会：算法再强，也需正确的特征表示。你将学习为何SVM在高维空间依然有效、核函数的隐式映射如何工作、以及为何朴素贝叶斯在小样本文本分类中表现优异。集成学习部分不堆砌公式，而是对比Bagging与Boosting的误差分解逻辑，帮你建立「当个体模型偏差大时用Boosting，方差大时用Bagging」的直觉判断能力。

学完能独立做什么？

完成本课程后，你能独立从零构建一个包含数据预处理、模型选择、超参调优、结果评估的完整机器学习工作流。面对新数据，你会主动思考：这是回归还是分类问题？特征是否需要降维处理？模型是否过拟合？建议先精读线性回归、逻辑回归、决策树三节，建立基础直觉，再深入SVM和集成学习。配套练习以项目驱动，视频讲解完原理后立即动手实现，而非被动观看。资料包中的视频按主题分层，复习时可按「回归」「分类」「降维」重新串联，形成可迁移的方法论框架。