🤖 机器学习从零到实战

从统计基础到端到端ML Pipeline，35课系统掌握传统机器学习核心知识，Python/Scikit-learn实机验证

35

课程

5

阶段

✅

代码验证

🏆

成就系统

📊 统计基础

概率与统计

概率论基础、条件概率、全概率公式、贝叶斯推断、大数定律、中心极限定理

集中趋势、离散程度、分布形态、五数概括、箱线图、数据探索

离散分布、连续分布、正态分布、指数族、分布选择

假设检验原理、p值、I/II类错误、t检验、卡方检验、ANOVA、多重比较

相关与回归

相关系数、皮尔逊与斯皮尔曼、线性回归基础、残差分析、回归诊断

贝叶斯定理

贝叶斯推断、先验与后验、共轭先验、MCMC、贝叶斯vs频率学派

信息论基础

信息熵、条件熵、互信息、KL散度、交叉熵、信息论与ML的关系

🎯 监督学习

OLS原理、梯度下降、正则化(L1/L2)、多项式回归、回归评估

Sigmoid函数、极大似然估计、梯度下降优化、多分类、正则化

信息增益、基尼系数、剪枝、CART算法、决策树可视化、优缺点

Bagging原理、随机森林算法、OOB评估、特征重要性、超参数调优

梯度提升(GBDT/XGBoost)

Boosting原理、GBDT算法、XGBoost改进、LightGBM、超参数调优

最大间隔、核函数、软间隔、SVM回归、SMO算法、核技巧

K近邻原理、距离度量、K值选择、KD树、近似最近邻、KNN回归

🔮 无监督学习

K-Means算法、K-Means++初始化、肘部法则、轮廓系数、Mini-Batch K-Means

凝聚与分裂、链接准则、树状图、切割策略、与K-Means对比

密度聚类原理、核心/边界/噪声点、EPS和MinPts选择、HDBSCAN

方差最大化、协方差矩阵、特征值分解、SVD、PCA应用与局限

t-SNE原理、SNE、对称SNE、困惑度选择、t-SNE vs UMAP、最佳实践

Apriori算法、FP-Growth、支持度/置信度/提升度、关联规则应用

统计方法、Isolation Forest、LOF、One-Class SVM、异常检测评估

🔧 特征工程

过滤法、包裹法、嵌入法、特征重要性、递归特征消除

数值特征变换、时间特征、文本特征、交叉特征、自动特征工程

编码与缩放

类别编码、数值缩放、One-Hot、Target编码、分布变换

缺失值处理

缺失机制、删除法、单值填充、模型填充、多重插补、Scikit-learn实现

数据不平衡处理

欠采样、过采样、SMOTE、ADASYN、代价敏感学习、集成方法

K折交叉验证、分层K折、留一法、时间序列CV、嵌套CV、Group CV

模型评估指标

混淆矩阵、ROC/AUC、PR曲线、回归指标、多分类指标、校准曲线

🚀 实战项目

数据探索、特征工程、模型选择、调参、集成、提交结果

信用卡欺诈检测

极度不平衡处理、异常检测方法、特征工程、实时检测考量

RFM模型、K-Means分群、层次聚类、分群解读、营销策略

协同过滤、矩阵分解、基于内容推荐、冷启动、评估方法

文本预处理、TF-IDF、朴素贝叶斯、深度学习初探、模型比较

实验设计、样本量计算、统计检验、多重比较、序贯分析

毕业项目：端到端ML Pipeline

完整ML项目流程、数据版本控制、模型部署、监控、MLOps实践