资源内容

尚硅谷精心打造的AI大模型之机器学习教程，是人工智能领域的重要基础课程，对机器学习理论和具体模型方法做了详尽系统的讲解，为后续的深度学习、NLP、大模型等AI技术的学习打下坚实基础，讲解中使用了大量应用案例和代码练习（基于

），涵盖常用的监督学习、无监督学习算法，以及经典模型算法的详细数学推导。

教程分为数学基础、机器学习核心原理、机器学习具体模型三大部分：

数学基础，复习巩固所需的数学知识，主要包括：微积分、线性代数、概率统计（如果数学基础很好，本段内容可以跳过）。

机器学习核心原理，介绍机器学习的一般流程、核心概念和原理，具体内容包括：特征工程、损失函数、欠拟合和过拟合、正则化、交叉验证、解析法、梯度下降法、模型评价指标等。

机器学习具体模型，主要介绍机器学习经典的模型和算法，以监督学习为主，涵盖无监督学习方法，具体内容包括：KNN、线性回归、逻辑回归、感知机、感知机、朴素贝叶斯、决策树、支持向量机、集成学习（AdaBoost、随机森林等）、聚类方法（K均值聚类、DBSCAN等）、降维方法（SVD、PCA等）。

教程目录

001_机器学习教程简介

002_数学基础_导数的概念和基本公式

003_数学基础_基本求导法则

004_数学基础_用导数求极值和二阶导数

005_数学基础_代码绘制导函数图像

006_数学基础_偏导数

007_数学基础_方向导数

008_数学基础_梯度

009_数学基础_标量与向量

010_数学基础_向量代码测试

011_数学基础_矩阵概念及基本运算

012_数学基础_矩阵基本运算代码测试

013_数学基础_矩阵的其它运算和张量

014_数学基础_矩阵其它运算代码测试

015_数学基础_矩阵求导

016_数学基础_梯度矩阵

017_数学基础_概率的基本概念和计算

018_数学基础_概率分布

019_数学基础_贝叶斯定理

020_数学基础_似然函数和极大似然估计

021_机器学习_概述

022_机器学习_概念范畴

023_机器学习_发展历史

024_机器学习_应用领域

025_机器学习_基本术语

026_机器学习_分类

027_机器学习_常见方法

028_核心原理_监督学习建模流程

029_核心原理_特征工程_整体介绍

030_核心原理_特征工程_低方差过滤法

031_核心原理_特征工程_相关系数法_Pearson

032_核心原理_特征工程_相关系数法_Spearman

033_核心原理_特征工程_PCA降维

034_核心原理_损失函数

035_核心原理_经验误差和泛化误差

036_核心原理_欠拟合和过拟合

037_核心原理_拟合案例_整体思路

038_核心原理_拟合案例_导入模块和生成数据

039_核心原理_拟合案例_欠拟合

040_核心原理_拟合案例_恰好拟合和过拟合

041_核心原理_正则化

042_核心原理_正则化案例

043_核心原理_交叉验证

044_核心原理_模型求解_解析法

045_核心原理_模型求解_梯度下降法

046_核心原理_模型求解_梯度下降法案例1

047_核心原理_模型求解_梯度下降法案例2

048_核心原理_模型求解_学习率测试

049_核心原理_模型求解_梯度下降法的应用

050_核心原理_模型求解_牛顿法和拟牛顿法

051_核心原理_回归评价指标

052_核心原理_分类评价指标_混淆矩阵

053_核心原理_分类评价指标_准确率、精确率、召回率和F1

054_核心原理_分类评价指标_评估报告

055_核心原理_分类评价综合案例

056_核心原理_分类评价指标_ROC曲线

057_核心原理_分类评价指标_AUC

058_KNN_基本原理

059_KNN_分类示例代码

060_KNN_回归示例代码

061_KNN_常见距离度量方法

062_KNN_归一化

063_KNN_归一化代码测试

064_KNN_标准化

065_KNN_心脏病检测案例_数据集加载

066_KNN_心脏病检测案例_特征工程

067_KNN_心脏病检测案例_模型训练、保存和预测

068_KNN_心脏病检测案例_网格搜索和交叉验证

069_线性回归_基本概念和应用

070_线性回归_API调用

071_线性回归_损失函数

072_线性回归_一元线性回归解析解

073_线性回归_正规方程法求解

074_线性回归_API调用_截距参数

075_线性回归_梯度下降法

076_线性回归_梯度下降法_手动代码实现

077_线性回归_梯度下降法API_SGDRegressor

078_线性回归_梯度下降法案例_广告效果预测

079_逻辑回归_基本原理和应用

080_逻辑回归_损失函数

081_逻辑回归_损失函数的梯度

082_逻辑回归_API介绍

083_逻辑回归案例_心脏病检测

084_逻辑回归_多分类_OVR

085_逻辑回归_多分类_Softmax回归

086_逻辑回归案例_手写数字识别_数据集加载

087_逻辑回归案例_手写数字识别_模型训练和预测

088_感知机_基本原理

089_感知机_表示逻辑门电路

090_感知机_逻辑门代码实现_与门

091_感知机_逻辑门代码实现_与非门和或门

092_感知机_感知机的局限

093_感知机_多层感知机实现异或门

094_朴素贝叶斯_基本原理

095_朴素贝叶斯_极大似然估计

096_朴素贝叶斯_贝叶斯估计

097_朴素贝叶斯_学习和分类

098_决策树_基本原理

099_决策树_工作过程

100_决策树_信息熵和条件熵

101_决策树_信息增益和ID3

102_决策树_信息增益率和C4.5

103_决策树_基尼指数和CART

104_决策树_剪枝

105_SVM_基本介绍

106_SVM_线性可分SVM

107_SVM_线性SVM

108_SVM_非线性SVM

109_集成学习_基本概念和分类

110_集成学习_AdaBoost

111_集成学习_随机森林

112_无监督学习_聚类_整体介绍

113_无监督学习_聚类_K-means

114_无监督学习_聚类_层次聚类

115_无监督学习_聚类_密度聚类

116_无监督学习_聚类_KMeans代码示例

117_无监督学习_聚类_评价指标

118_无监督学习_降维_SVD基本原理

119_无监督学习_降维_SVD代码调用

120_无监督学习_降维_PCA