机器学习

人工智能之核心基础 机器学习 第二十章 深度学习入门 20.1 深度学习与机器学习的区别与联系 🧠 核心关系 深度学习 ⊂ 机器学习 ⊂ 人工智能 深度学习是机器学习的一个子领域，专注于多层神经网络

人工智能之核心基础 机器学习 第十九章 强化学习入门 19.1 强化学习核心概念 🎯 核心思想 让智能体（Agent）在环境中通过试错学习，找到能获得最大累积奖励的行为策略。 🧠 六大核心要素（用“走

人工智能之核心基础 机器学习 第十八章 经典实战项目 18.1 入门项目1：房价预测（回归任务） 🎯 任务目标 根据房屋特征（面积、房间数、位置等）预测价格。 📦 数据集：California Hou

人工智能之核心基础 机器学习 第十七章 Scikit-learn工具全解析 17.1 Scikit-learn 简介与安装 📌 是什么？ Python 最主流的机器学习库 提供统一接口：所有模型都遵循

人工智能之核心基础 机器学习 第十六章 模型优化 16.1 过拟合与欠拟合 🎯 定义（用“考试”比喻） 状态 训练表现 测试表现 比喻 欠拟合 差 差 “课本都没看懂，考试自然不会” 理想状态 好 好

人工智能之核心基础 机器学习 第十五章 数据预处理 15.1 数据探索性分析（EDA） 🎯 目标：理解你的数据长什么样 步骤1：识别数据类型 类型 特点 示例 数值型 连续/离散数字 年龄、价格、点击

人工智能之核心基础 机器学习 第十四章 自监督学习 14.1 半监督 vs 自监督：核心区别与联系 对比 维度 半监督学习 自监督学习 是否需要标签 ✅ 需要少量真实标签 ❌ 完全不需要标签 学习目标

人工智能之核心基础 机器学习 第十三章 自监督学习 13.1 自监督学习概述 📌 定义：从无标签数据中自动生成监督信号 输入：只有大量无标签数据 $x_1, x_2, \dots, x_n$ 关键操作

人工智能之核心基础 机器学习 第十二章 半监督学习 12.1 半监督学习概述 📌 定义：站在监督与无监督的“中间地带” 输入： 少量带标签数据：$(x_1, y_1), (x_2, y_2), \do

人工智能之核心基础 机器学习 第十一章 无监督学习总结 一、无监督学习三大任务全景图 二、聚类算法深度对比（第9章回顾） 算法 原理 是否需指定K 簇形状 噪声处理 时间复杂度 适用场景 K-Mean

人工智能之核心基础 机器学习 第十章 降维算法 10.1 降维的目的与意义 🎯 为什么需要降维？ 想象你有一张1000万像素的照片，但手机屏幕只有200万像素。 你不需要所有细节，只需保留“看起来像”

人工智能之核心基础 机器学习 第九章 聚类算法 9.1 K-Means 聚类 🎯 核心思想：让“群内紧凑，群间分离” 想象你要在操场上把学生分成 K 组做游戏，目标是： 每组学生站得尽量近 不同组之间

人工智能之核心基础 机器学习 第八章 无监督学习概述 8.1 什么是无监督学习？ 📌 定义：从“没有答案”的数据中找规律 ✅ 核心特点： 输入只有特征 $X$，没有标签 $y$ 目标不是预测，而是理解

人工智能之核心基础 机器学习 第七章 监督学习总结 一、监督学习核心任务回顾 监督学习解决两类问题： 任务类型 目标 输出形式 典型场景 分类 预测离散类别标签 “是/否”、“猫/狗/鸟” 垃圾邮件识

人工智能之核心基础 机器学习 第六章 朴素贝叶斯 6.1 贝叶斯定理基础 📌 核心公式：用已知反推未知 公式如下： $$ P(Y|X) = \frac{P(X|Y) \cdot P(Y)}{P(X)}

人工智能之核心基础 机器学习 第五章 支持向量机（SVM） 5.1 SVM核心思想 🎯 核心目标：找一条“最宽”的分界线！ 想象你有一堆红球和蓝球散落在桌上，你要用一张纸把它们完全分开。 SVM 的目

人工智能之核心基础 机器学习 第四章 决策树与集成学习基础 4.1 决策树原理 🌳 什么是决策树？ 决策树就像“20个问题”游戏——通过一系列是/否问题，一步步缩小范围，最终做出判断。 🔑 核心组成部

人工智能之核心基础 机器学习 第三章 线性回归与逻辑回归 3.1 线性回归（Linear Regression） 📌 模型原理：用一条“直线”预测数值 目标：根据输入特征（如房屋面积、房间数）预测一个

人工智能之核心基础 机器学习 第二章 监督学习 2.1 监督学习的定义与特点 📌 什么是监督学习？ 监督学习就像“有老师教学生”的过程。 你给计算机一堆已经知道答案的例子（比如：“这张图是猫”、“那封