Learning Path
浏览 机器学习 相关教程与章节。
AI Agent、机器学习、深度学习、数据分析与 Python 科学计算。
教程
60
机器学习教程 机器学习（Machine Learning）是人工智能（AI）的一个分支，它使计算机系统能够利用数据和算法自动学习和改进其性能。 机器学习是让机器通过经验（数据）来做决策和预测。 机器学习已经广泛应用于许多领域，包括推荐系统、图像识别、语音识别、金融分析等。 举个例子，通过机器学习，汽车可以学习如何识别交通标志、行人和障碍物，以实现自动驾驶。 机器学习与传统编程的区别 ..
机器学习与人工智能 人工智能、机器学习、深度学习的关系 想象一下俄罗斯套娃，一个大娃娃里面套着中娃娃，中娃娃里面套着小娃娃。人工智能、机器学习和深度学习的关系就像这样： 人工智能（AI）：最大的娃娃，最广泛的概念 机器学习（ML）：中间的娃娃，AI 的一部分 深度学习（DL）：最小的娃娃，机器学习的一部分 人工智能（AI）是什么？ 人工智能是一个广泛的概念，指的是让机器展现出类似人类智能的技术。就像人类智..
机器学习算法 机器学习算法可以分为监督学习、无监督学习、强化学习等类别。 监督学习算法：线性回归（Linear Regression）：用于回归任务，预测连续的数值。逻辑回归（Logistic Regression）：用于二分类任务，预测类别。支持向量机（SVM）：用于分类任务，构建超平面进行分类。决策树（Decision Tree）：基于树状结构进行决策的分类或回归方法。无监督学习算法：K-means 聚类：通过聚类中心将数据分..
机器学习应用 机器学习应用可以分为几个主要领域，每个领域都有其独特的应用场景和挑战： 计算机视觉：让机器”看懂”世界 自然语言处理：让机器”理解”人类语言 推荐系统：个性化推荐内容 预测分析：预测未来趋势和结果 异常检测：发现不寻常的模式 为什么这些应用需要机器学习？ 想象一下，如果用传统编程方法来解决这些问题： 人脸识别：需要编写无数规则来描述人脸的各种变化（角度、光线、表情等） ..
强化学习基本框架 想象一下，你正在教一只小狗学习坐下这个指令。你不会直接告诉它坐下这个动作的每一个肌肉该如何运动，而是会这样做： 你发出坐下的口令。 小狗尝试做出某个动作（可能是坐下，也可能是趴下或转圈）。 如果它坐下了，你立刻给它一块零食作为奖励。 如果它做错了，你就不给奖励，或者发出一个轻微的不对的信号。 经过多次尝试，小狗会逐渐明白：听到坐下后做出坐下的动作，就能获得零食。于是它学会了这个指令。 强化学习 就是让计算机（或智..
机器学习基础术语 学习机器学习就像学习一门新语言，需要先掌握基本词汇。这些术语构成了机器学习的”语言系统”，理解它们是深入学习的第一步。 想象一下你在教一个机器人认识水果： 数据：各种水果的图片和信息 特征：水果的颜色、形状、大小、味道 标签：这个水果叫什么名字（苹果、香蕉、橙子） 模型：机器人学到的”识别水果的方法” 训练：教机器人认识水果的过程 推理：机器人识别新水果的能力 数..
分类指标 $(function() { $('.math').each(function() { renderMathInElement(this, { // 自定义选项，如果需要的话 delimiters: [ { left: '\\(', right: '\\)', ..
无监督学习 - 聚类 想象一下，你走进一个巨大的图书馆，里面所有的书都杂乱无章地堆在地上，你的任务不是去读每一本书（那太费时间了），而是根据书的主题，比如：科幻小说、历史传记、烹饪食谱，将它们分成几堆。在这个过程中，你并没有一个现成的分类清单告诉你哪本书属于哪一类，你完全是依靠书的内容、封面、厚度等特征，自发地发现了这些群体。 在机器学习中，聚类 要做的正是这样的事情。它是一种无监督学习方法，目标是在没有预先标注答案（即没有“标签”）的..
常见网络类型 想象一下，我们正在教一个孩子识别猫和狗。 最初，我们会给他看很多猫和狗的图片，并告诉他这是猫、这是狗，慢慢地，孩子的大脑会从这些图片中总结出规律：猫的耳朵通常是尖的，脸比较圆；狗的耳朵可能下垂，脸型更长，这个过程，本质上就是学习特征和建立模式。 深度学习，作为机器学习的一个强大分支，其核心就是让计算机模拟这个过程，它通过构建多层的神经网络，让机器能够自动从海量数据中学习并提取复杂的特征，最终完成识别图像、理解语言、预测..
模型的现实成本 想象一下，你刚刚训练了一个在测试集上准确率达到 99% 的图像识别模型，你满怀信心地将它部署到一家工厂的生产线上。然而，几周后你收到反馈：模型频繁误判，导致生产线多次无故停机，造成了巨大的经济损失。问题出在哪里？ 这个场景揭示了机器学习领域一个常被忽视的真相：一个模型在实验室或测试环境中的优异表现，并不等同于它在现实世界中的成功。 在模型从开发到部署的旅程中，存在着诸多限制和隐藏的成本。本文将带你深入探讨这些现实成本，帮..
交叉验证 在机器学习的实践中，我们常常面临一个核心问题：如何评估一个模型的好坏？你可能会想到，用一部分数据训练模型，然后用另一部分没见过的数据来测试它的表现。这个思路完全正确，但具体怎么做才能更可靠、更稳定地评估模型呢？这就是 交叉验证 要解决的核心问题。 简单来说，交叉验证是一种通过反复划分数据集来评估模型泛化能力（即处理新数据的能力）的统计方法，它就像给模型安排了一场模拟考试，通过多套不同的模拟试卷（数据子集）来检验其真实水平，避免..
机器学习 - 客户分群 在当今数据驱动的商业世界中，理解客户是成功的关键。然而，当你的客户数量达到成千上万甚至百万级别时，手动分析每个客户的特征和行为模式变得不切实际。这时，机器学习技术，特别是 无监督学习 中的聚类算法，就成为了一个强大的工具。 客户分群，也称为客户细分，其核心目标是将庞大的客户群体划分为若干个具有相似特征的子群体。这就像一位经验丰富的店主，不再将顾客视为一个模糊的整体，而是能清晰地识别出追求性价比的家庭主妇、热衷新..
数据偏差 机器学习正在改变世界，从推荐系统到自动驾驶，它的应用无处不在。然而，这些智能系统并非完美无缺，它们有一个共同的阿喀琉斯之踵” (Achilles' Heel) ——数据偏差。今天，我们将深入探讨这个影响机器学习模型公平性和准确性的核心问题。 什么是数据偏差？ 数据偏差是指训练数据不能准确代表现实世界的情况，导致机器学习模型学到错误的模式或做出有偏见的预测。简单来说，就是“垃圾进，垃圾出”——如果输入的数据有问题，输..
数据清洗 在机器学习中，我们常常听到一句话：“垃圾进，垃圾出”，这句话生动地比喻了数据质量对于模型性能的决定性影响。 想象一下，你是一位大厨，准备烹饪一道美味佳肴。即使你的厨艺再高超，如果食材不新鲜、有泥沙或者残缺不全，最终做出的菜肴也必然大打折扣。在机器学习中，原始数据就是我们的“食材”，而数据清洗就是那个至关重要的“备菜”过程。它旨在识别、纠正或移除数据中的错误、不一致、重复和不完整的部分，为后续的模型“烹饪”准备好干净、高质量的..
数据理解 在开始任何机器学习项目之前，比如预测房价、识别图片中的猫狗，或者推荐你喜欢的电影，我们首先需要面对一个最基础也最关键的环节：数据理解。 我们可以把数据理解想象成一位侦探在调查案件前，仔细研究所有线索和档案的过程，如果不了解线索（数据）的来龙去脉、真伪和含义，后续的任何推理（建模）都可能建立在错误的基础上。 数据理解是整个机器学习流程的基石，它决定了我们后续如何清洗数据、选择模型，并最终影响模型的成败。 什么是数据理解？ 数..
数据可视化 在开始构建一个复杂的机器学习模型之前，我们首先要做的不是选择算法，而是理解数据。如果把机器学习比作烹饪，那么数据就是食材。一个优秀的厨师必须了解食材的特性——是新鲜还是变质，是偏甜还是偏酸，是适合炖煮还是快炒。数据可视化，就是我们观察和品尝数据这道食材的放大镜和味蕾。 数据可视化通过图表、图形等视觉元素，将枯燥的数字转化为直观的图像，帮助我们： 发现数据中的模式和趋势（例如：销售额是否随季节变化？） 识别异常值和错误数据..
常用数据类型 本章将为你介绍机器学习中最常见的四种数据类型：数值型、文本型、图像型和类别型数据。 数据类型就像是食材的种类，不同的食材需要不同的处理方法。同样，不同类型的数据也需要不同的处理技术和算法。 四大数据类型分类 数值型数据 什么是数值型数据？ 数值型数据就像尺子测量的结果，可以进行数学运算，是机器学习中最常见的数据类型。 数值型数据的分类 1. 连续型数值数据 实例 [mycode4 type='pyth..
决策树（Decision Tree） 决策树（Decision Tree）是一种常用的机器学习算法，广泛应用于分类和回归问题。 决策树通过树状结构来表示决策过程，每个内部节点代表一个特征或属性的测试，每个分支代表测试的结果，每个叶节点代表一个类别或值。 决策树的基本概念 节点（Node）：树中的每个点称为节点。根节点是树的起点，内部节点是决策点，叶节点是最终的决策结果。 分支（Branch）：从一个节点到另一个节点的路径称为分支。 ..
深度学习 vs 传统机器学习 想象一下，你正在教一个孩子识别猫和狗。传统的方法可能是：你拿出一本图画书，指着图片说这是猫，它有尖耳朵、胡须和一条长尾巴；这是狗，它的耳朵可能下垂，鼻子更长。你是在明确地告诉孩子区分两者的规则和特征。 而另一种方法则是：你给孩子看成千上万张猫和狗的图片，只是简单地告诉每张图片是猫还是狗。经过足够多的观察，孩子的大脑自己会总结出猫和狗那些难以言喻的、复杂的区别特征，比如毛发的纹理、眼睛的神态、身体的轮廓。这..
深度强化学习 深度强化学习是人工智能领域一个令人兴奋的交叉方向，我们可以把它拆解成两个部分来理解： 强化学习 是核心思想，它模拟了人类或动物通过“试错”来学习的过程。想象一下教小狗学习新指令：当它做对了，你会给它零食作为奖励；做错了，就没有奖励甚至可能有轻微的惩罚。经过多次尝试，小狗就能学会在特定情境下做出正确的动作以获得奖励。强化学习中的智能体（Agent）就像这只小狗，它通过与环境（Environment）互动，根据获得的奖励（R..
无监督学习 - 降维 想象一下，你是一位摄影师，正在整理一个包含数百万张高分辨率照片的图库。每张照片都由数百万个像素点（特征）组成。如果你想快速找到所有海边日落的照片，直接比较每张照片的每一个像素点几乎是不可能的，因为数据量太大、太“胖”了。 在机器学习中，我们常常面临类似的困境：数据集拥有成百上千个特征（维度）。这不仅会导致计算速度极慢（维度灾难），还可能因为许多特征是冗余或无关的，反而干扰我们找到数据中真正的规律。 降维（Dime..
集成学习 在机器学习领域，集成学习（Ensemble Learning）是一种通过结合多个模型的预测结果来提高整体性能的技术。集成学习的核心思想是“三个臭皮匠，顶个诸葛亮”，即通过多个弱学习器的组合，可以构建一个强学习器。 集成学习的主要目标是通过组合多个模型来提高预测的准确性和鲁棒性。常见的集成学习方法包括： Bagging：通过自助采样法（Bootstrap Sampling）生成多个训练集，然后分别训练多个模型，最后通过投票..
强化学习探索vs开采 $(function() { $('.math').each(function() { renderMathInElement(this, { // 自定义选项，如果需要的话 delimiters: [ { left: '\\(', right: '\\)&..
特征工程 想象一下，你是一位厨师，要做一道美味的菜肴，机器学习模型就像你的“烹饪算法”，而原始数据就是你从市场买回来的各种食材：有蔬菜、肉类、调料，但可能有些是带泥的，有些是整块的，有些味道很冲。特征工程，就是将这些原始“食材”进行清洗、切割、腌制、搭配，最终处理成可以直接下锅烹饪的“半成品”的过程，它是连接原始数据与机器学习模型的桥梁，是决定模型性能上限的关键步骤。 简单来说，特征工程是利用领域知识，通过一系列技术手段，从原始数据中提..