课程定位：跨越数学与代码的鸿沟

这门课解决的核心痛点，是机器学习初学者常遇到的“理论看懂了，代码写不出”或“代码跑通了，原理说不上来”的能力断层。很多入门教程要么堆砌公式，要么直接甩代码，唯独缺少中间那层解释“为什么用这个公式”以及“参数怎么调”的桥接内容。本课程采用上篇形式，并非简单地罗列算法，而是从回归问题这一最基础的预测任务切入，系统地拆解底层逻辑。它特别针对那些希望理解算法内核、而非仅做调用工程师的学习者设计，帮助大家在面对复杂模型时能迅速定位问题所在，比如当模型不收敛或过拟合时，知道是梯度下降率的问题还是误差假设的问题。

知识脉络与学习建议

课程内容遵循严密的逻辑递进关系，建议按以下顺序构建知识体系。首先，务必认真观看**课程导学**部分，明确环境配置细节和学习路线图，避免在工具安装上浪费过多时间。紧接着进入**线性回归**模块，这是整个机器学习的基石。不要跳过**误差项定义**和**独立同分布**这两节，理解这些统计假设是后续推导似然函数的关键。在掌握**参数求解**后，转入**梯度下降算法**的学习，重点搞懂**参数更新方法**和**优化参数设置**，这是所有高级算法的核心优化手段。随后学习**逻辑回归**，注意其化简与求解过程与线性回归的联系与区别。

对于基础较弱的读者，如果在**似然函数**部分感到吃力，建议暂停推进，回头复习基础概率统计知识；对于有基础的读者，则可直接对比不同参数求解方式的优劣。每一节的视频时长适中，适合配合动手实践，切勿只看不练。

实战落地与能力提升

理论学习的最终落脚点在于**项目实战：信用卡交易数据欺诈检测**。这是检验学习成果的关键环节。通过真实业务场景下的数据清洗、特征工程及模型训练，你将把前面学到的线性回归、梯度下降和逻辑回归知识串联起来。学完本课后，你应该能够独立回答以下问题：如何为回归问题构建损失函数？梯度下降在实际编程中如何避免陷入局部最优？逻辑回归为何适用于分类问题？以及在具体项目中如何评估欺诈检测模型的效果？

配套的练习资料请务必配合视频使用。建议在阅读完原理节后，自行尝试推导一次公式，再对照代码实现进行验证。只有经过亲手调试参数、观察损失函数变化的过程，才能真正内化这些概念，从而具备独立开发和优化简单机器学习模型的能力。

课程目录

1-1 [课程导学] 系列课程环境配置 (05:37)
1-2 [课程导学] 人工智能入门指南与学习路线 (09:45)
2-1 [线性回归算法] 回归问题概述 (07:11)
2-2 [线性回归算法] 误差项定义 (09:41)
2-3 [线性回归算法] 独立同分布的意义 (07:32)
2-4 [线性回归算法] 似然函数的作用 (10:50)
2-5 [线性回归算法] 参数求解 (11:11)
3-1 [梯度下降算法] 梯度下降通俗解释 (08:34)
3-2 [梯度下降算法] 参数更新方法 (08:17)
3-3 [梯度下降算法] 优化参数设置 (08:51)
4-1 [逻辑回归算法] 逻辑回归算法原理 (08:23)
4-2 [逻辑回归算法] 化简与求解 (09:09)
5-1 [项目实战：信用卡交易数据欺诈检测] 任务目标解读 (08:09)
5-2 [项目实战：信用卡交易数据欺诈检测] 项目挑战与解决方案制定 (12:36)
5-3 [项目实战：信用卡交易数据欺诈检测] 数据标准化处理 (11:20)
5-4 [项目实战：信用卡交易数据欺诈检测] 下采样数据集制作 (06:08)
5-5 [项目实战：信用卡交易数据欺诈检测] 交叉验证 (07:16)
5-6 [项目实战：信用卡交易数据欺诈检测] 数据集切分 (06:00)
5-7 [项目实战：信用卡交易数据欺诈检测] 模型评估方法与召回率 (10:30)
5-8 [项目实战：信用卡交易数据欺诈检测] 训练逻辑回归模型 (11:20)
5-9 [项目实战：信用卡交易数据欺诈检测] 混淆矩阵评估分析 (10:22)
5-10 [项目实战：信用卡交易数据欺诈检测] 测试集遇到的问题 (05:20)
5-11 [项目实战：信用卡交易数据欺诈检测] 阈值对结果的影响 (10:34)
5-12 [项目实战：信用卡交易数据欺诈检测] SMOTE样本生成策略 (07:38)
5-13 [项目实战：信用卡交易数据欺诈检测] 过采样效果与项目总结 (08:00)
6-1 [决策树算法] 正则化惩罚项 (11:48)
6-2 [决策树算法] 决策树算法概述 (08:29)
6-3 [决策树算法] 熵的作用 (06:39)
6-4 [决策树算法] 信息增益原理 (08:41)
6-5 [决策树算法] 决策树构造实例 (07:40)
6-6 [决策树算法] 信息增益率与gini系数 (06:07)
6-7 [决策树算法] 预剪枝方法 (08:02)
6-8 [决策树算法] 后剪枝方法 (06:54)
6-9 [决策树算法] 回归问题解决 (05:54)
7-1 [集成算法与随机森林] 随机森林算法原理 (10:17)
7-2 [集成算法与随机森林] 随机森林优势与特征重要性指标 (10:21)
7-3 [集成算法与随机森林] 提升算法概述 (08:51)
7-4 [集成算法与随机森林] stacking堆叠模型 (06:22)
8-1 [项目实战：基于随机森林的气温预测] 基于随机森林的气温预测任务概述 (09:05)
8-2 [项目实战：基于随机森林的气温预测] 基本随机森林模型建立 (09:09)
8-3 [项目实战：基于随机森林的气温预测] 可视化展示与特征重要性 (12:58)
8-4 [项目实战：基于随机森林的气温预测] 加入新的数据与特征 (10:24)
8-5 [项目实战：基于随机森林的气温预测] 数据与特征对结果的影响 (08:24)
8-6 [项目实战：基于随机森林的气温预测] 效率对比分析 (08:14)
8-7 [项目实战：基于随机森林的气温预测] 网格与随机参数选择 (07:51)
8-8 [项目实战：基于随机森林的气温预测] 随机参数选择方法实践 (09:46)
8-9 [项目实战：基于随机森林的气温预测] 调参优化细节 (10:12)
9-1 [贝叶斯算法] 贝叶斯要解决的问题 (05:10)
9-2 [贝叶斯算法] 贝叶斯公式推导 (07:46)
9-3 [贝叶斯算法] 拼写纠错实例 (11:45)
9-4 [贝叶斯算法] 垃圾邮件过滤实例 (10:22)
9-5 [贝叶斯算法] 贝叶斯实现拼写检查器 (12:20)
10-1 [项目实战-新闻分类任务] 新闻数据与任务概述 (05:53)
10-2 [项目实战-新闻分类任务] 中文分词与停用词过滤 (08:15)
10-3 [项目实战-新闻分类任务] 文本关键词提取 (10:22)
10-4 [项目实战-新闻分类任务] 词袋模型 (11:09)
10-5 [项目实战-新闻分类任务] 贝叶斯建模结果 (08:47)
10-6 [项目实战-新闻分类任务] TF-IDF特征分析对比 (06:35)
11-1 [集成算法实战] 集成算法实例概述 (10:51)
11-2 [集成算法实战] ROC与AUC指标 (10:03)
11-3 [集成算法实战] 基础模型 (09:32)
11-4 [集成算法实战] 集成实例 (18:53)
11-5 [集成算法实战] Stacking实例 (14:16)
11-6 [集成算法实战] 效果改进 (11:09)
12-1 [机器学习处理实例问题的套路] HTTP检测任务与数据挖掘的核心 (11:13)
12-2 [机器学习处理实例问题的套路] 论文的重要程度 (10:00)
12-3 [机器学习处理实例问题的套路] BenchMark概述 (06:23)
12-4 [机器学习处理实例问题的套路] BenchMark的作用 (13:31)
13-1 [K近邻算法实战] K近邻算法概述 (15:47)
13-2 [K近邻算法实战] 模型的评估 (10:39)
13-3 [K近邻算法实战] 数据预处理 (11:25)
13-4 [K近邻算法实战] sklearn库与功能介绍 (14:42)
13-5 [K近邻算法实战] 多变量KNN模型 (16:37)
14-1 [数值特征] 基本数值特征 (11:14)
14-2 [数值特征] 常用特征构造手段 (13:53)
14-3 [数值特征] 时间特征处理 (13:04)
14-4 [数值特征] 文本特征处理 (20:24)
14-5 [数值特征] 构造文本向量 (11:45)
14-6 [数值特征] 词向量特征 (13:55)
14-7 [数值特征] 计算机眼中的图像 (05:46)
15-1 [降维算法：线性判别分析] 线性判别分析要解决的问题 (12:20)
15-2 [降维算法：线性判别分析] 线性判别分析要优化的目标 (12:03)
15-3 [降维算法：线性判别分析] 线性判别分析求解 (12:08)
16-1 [案例实战：Python实现线性判别分析] 实现线性判别分析进行降维任务 (10:19)
16-2 [案例实战：Python实现线性判别分析] 求解得出降维结果 (08:55)
17-1 [降维算法：PCA主成分分析] PCA降维概述 (08:39)
17-2 [降维算法：PCA主成分分析] PCA要优化的目标 (12:21)
17-3 [降维算法：PCA主成分分析] PCA求解 (10:17)
17-4 [降维算法：PCA主成分分析] PCA降维实例 (19:17)
18-1 [学习曲线分析] 数据集中的结果 (09:30)
18-2 [学习曲线分析] 曲线实验结果 (11:19)
18-3 [学习曲线分析] Bias与Variance曲线 (13:05)