《机器学习算法基础》独立导读
在人工智能浪潮席卷全球的今天，机器学习已不再是一个高深莫测的黑盒术语，而是驱动现代智能应用的核心引擎。对于渴望进入 AI 领域的学习者而言，夯实算法基础是跨越从“使用者”到“构建者”鸿沟的关键一步。本课程《机器学习算法基础》正是为此量身打造，旨在帮助学员从零开始，系统性地掌握机器学习最核心的回归算法及其背后的数学原理与代码实现。
课程的设计逻辑严密，遵循“预备知识—理论推导—实战落地”的闭环路径。开篇的预备章节并非泛泛而谈，而是精准聚焦于学习机器之前必须跨越的门槛：Python 环境的搭建与核心基础概念的厘清。讲师用近一个小时的时间，不仅解决了工具链的配置痛点，更深入浅出地解释了什么是监督学习、特征、标签等基石概念，为后续复杂的算法学习扫清了障碍。
进入核心章节，课程以线性回归为切入点，由浅入深地展开。从最直观的一元线性回归讲起，学员将理解模型如何寻找数据中的线性关系；随后，课程深入剖析“代价函数”这一核心概念，解释如何量化模型的预测误差，这是理解所有监督学习算法损失优化的通用范式。紧接着，“梯度下降法”作为优化算法的灵魂被重点讲解，通过类比下山过程，让抽象的极值求解变得具象化，帮助学员真正理解模型是如何“学习”并不断迭代优化的。
值得称道的是，本课程极重实战。在理论讲解之后，课程安排了基于 Python原生实现的梯度下降法实战，让学员亲手编写代码体验算法运行的每一个细节；同时引入 sklearn 库的高效接口，展示工业界标准的开发流程。这种“从手写到调用”的双重训练，既保证了原理的透彻理解，又兼顾了工程实践的效率。此外，课程还专门设置了线性代数复习环节，弥补学员数学基础的短板，确保多元线性回归部分的推导顺畅无阻。从一元到多元，从理论到代码，课程层层递进，直至完成多元线性回归的梯度下降实战，构建了完整的知识体系。
无论您是计算机专业的学生，还是希望转型 AI 的职场人士，这门课程都是极佳的第一站。它不依赖晦涩的数学堆砌，而是通过清晰的逻辑和大量的代码演练，让您在理解原理的同时，具备独立实现基础回归模型的能力。如果您希望真正“懂”机器学习，而非仅仅“调包”，那么这门课程将是您坚实的起点。
课程目录
1-1 [预备章节] 机器学习背景知识介绍 (32:14) 1-2 [预备章节] python安装 (10:12) 1-3 [预备章节] 机器学习基础概念 (26:25) 2-1 [线性回归以及非线性回归] 一元线性回归 (19:01) 2-2 [线性回归以及非线性回归] 代价函数 (34:58) 2-3 [线性回归以及非线性回归] 梯度下降法 (30:36) 2-4 [线性回归以及非线性回归] (实战)梯度下降法-一元线性回归 (27:40) 2-5 [线性回归以及非线性回归] (实战)sklearn-一元线性回归 (08:36) 2-6 [线性回归以及非线性回归] 线性代数复习 (11:39) 2-7 [线性回归以及非线性回归] 多元线性回归 (07:25) 2-8 [线性回归以及非线性回归] (实战)梯度下降法-多元线性回归 (21:10) 2-9 [线性回归以及非线性回归] (实战)sklearn-多元线性回归 (04:03) 2-10 [线性回归以及非线性回归] (实战)sklearn-多项式回归 (20:25) 2-11 [线性回归以及非线性回归] 标准方程法 (21:36) 2-12 [线性回归以及非线性回归] 特征缩放,交叉验证法 (13:00) 2-13 [线性回归以及非线性回归] 过拟合,正则化 (12:32) 2-14 [线性回归以及非线性回归] 岭回归 (18:00) 2-15 [线性回归以及非线性回归] (实战)sklearn-岭回归 (16:14) 2-16 [线性回归以及非线性回归] (实战)标准方程法-岭回归 (08:55) 2-17 [线性回归以及非线性回归] LASSO算法 (11:40) 2-18 [线性回归以及非线性回归] (实战)sklearn-LASSO算法 (06:10) 2-19 [线性回归以及非线性回归] (实战)sklearn-弹性网 (07:42) 3-1 [逻辑回归] 逻辑回归 (26:39) 3-2 [逻辑回归] 正确率,召回率,F1指标 (08:15) 3-3 [逻辑回归] (实战)梯度下降法-逻辑回归 (40:30) 3-4 [逻辑回归] (实战)sklearn-逻辑回归 (05:33) 3-5 [逻辑回归] (实战)梯度下降法-非线性逻辑回归 (16:25) 3-6 [逻辑回归] (实战)sklearn-非线性逻辑回归 (07:15) 4-1 [神经网络] 神经网络背景概述 (17:16) 4-2 [神经网络] 单层感知器介绍 (15:41) 4-3 [神经网络] 单层感知器程序 (15:23) 4-4 [神经网络] (实践)单层感知器-异或问题 (04:12) 4-5 [神经网络] (实践)线性神经网，Delta学习规则 (15:35) 4-6 [神经网络] (实践)线性神经网络解决异或问题 (21:37) 4-7 [神经网络] BP神经网络介绍 (20:00) 4-8 [神经网络] BP算法推导 (18:51) 4-9 [神经网络] (实践)BP神经网络-异或问题 (20:32) 4-10 [神经网络] 深入理解BP神经网络(论文讲解) (28:28) 4-11 [神经网络] Google神经网络演示平台介绍 (23:21) 5-1 [KNN算法] KNN算法介绍 (12:08) 5-2 [KNN算法] (实践)KNN算法实现 (15:08) 5-3 [KNN算法] (实践)使用KNN完成Iris数据集分类 (11:50) 5-4 [KNN算法] (实践)sklearn-KNN-iris分类 (04:16) 6-1 [决策树] 决策树-信息熵,ID3,C4.5算法介绍 (25:38) 6-2 [决策树] (实践)决策树-例子 (18:59) 6-3 [决策树] (实践)决策树-画图 (16:01) 6-4 [决策树] 决策树-CART算法 (19:03) 6-5 [决策树] (实践)决策树-CART算法 (06:22) 6-6 [决策树] (实践)决策树-线性二分类 (08:56) 6-7 [决策树] (实践)决策树-非线性二分类 (12:08) 7-1 [集成学习] (实践)Bagging介绍与使用 (24:42) 7-2 [集成学习] (实践)随机森林RF介绍与使用 (07:56) 7-3 [集成学习] (实践)Adaboost介绍与使用 (24:05) 7-4 [集成学习] (实践)Stacking和Voting介绍与使用 (10:50) 7-5 [集成学习] Kaggle介绍，数据分析 (20:12) 8-1 [贝叶斯算法] 贝叶斯算法背景 (14:48) 8-2 [贝叶斯算法] 贝叶斯算法介绍 (17:43) 8-3 [贝叶斯算法] (实践)贝叶斯-iris (03:33) 8-4 [贝叶斯算法] (实践)词袋模型介绍 (17:28) 8-5 [贝叶斯算法] (实践)TF-IDF算法介绍 (13:45) 9-1 [聚类算法] K-MEANS算法介绍 (20:47) 9-2 [聚类算法] (实践)python实现K-MEANS算法 (29:45) 9-3 [聚类算法] (实践)sklearn-K-MEANS (04:20) 9-4 [聚类算法] (实践)sklearn-Mini-Batch-K-Means (04:12) 9-5 [聚类算法] K-MEANS算法存在的4个问题 (05:21) 9-6 [聚类算法] (实践)K-MEANS代价函数应用 (08:11) 9-7 [聚类算法] (实践)K-MEANS肘部法则 (07:44) 9-8 [聚类算法] K-MEANS算法可视化 (05:43) 9-9 [聚类算法] DBSCAN算法讲解 (10:15) 9-10 [聚类算法] DBSCAN算法可视化 (10:15) 9-11 [聚类算法] (实践)sklearn-DBSCAN算法 (11:35) 10-1 [主成分分析PCA] PCA算法讲解 (17:54) 10-2 [主成分分析PCA] (实践)python实现PCA降维 (08:22) 10-3 [主成分分析PCA] (实践)手写数字降维可视化 (10:30) 11-1 [支持向量机SVM] SVM简介 (17:38) 11-2 [支持向量机SVM] (实践)SVM简单例子 (05:50) 11-3 [支持向量机SVM] SVM算法推导 (26:24) 11-4 [支持向量机SVM] 松弛变量与惩罚函数 (11:02) 11-5 [支持向量机SVM] SVM简单实例 (10:27) 11-6 [支持向量机SVM] SVM低维映射到高维 (06:55) 11-7 [支持向量机SVM] 核函数 (09:47) 11-8 [支持向量机SVM] (实践)SVM-线性分类 (08:56) 11-9 [支持向量机SVM] (实践)SVM-非线性分类 (06:12)
