机器学习基础
460 字约 2 分钟
2026-05-20
机器学习是人工智能的数学根基。在深度学习和大模型席卷一切之前，机器学习已经在金融风控、推荐系统、图像识别等领域默默工作了很多年。
即使现在大模型很强，理解机器学习的基本原理依然非常有价值，它能帮助你：
- 理解模型为什么会有效
- 知道什么时候该用什么方法
- 在大模型表现不好时有其他工具可选
- 理解后续深度学习的数学基础
本节内容结构
1. 监督学习 — 从有标签的数据中学习规律，覆盖回归与分类的核心算法
入口：监督学习
2. 无监督学习 — 在没有标签的数据中发现结构，聚类、降维、异常检测
入口：无监督学习
3. 模型评估与优化 — 如何判断模型好不好，如何调到更好
入口：模型评估与优化
4. 数学基础 — 线性代数、概率统计和优化基础
入口：数学基础
5. 算法专题 — 决策树、随机森林、评价指标和 sklearn 实战
入口：算法专题
6. 西瓜书笔记 — 周志华《机器学习》章节笔记
入口：西瓜书笔记
推荐学习资源
- 吴恩达 Machine Learning Specialization（Coursera）
- 西瓜书（周志华《机器学习》）— 适合有一定基础后查阅
- Kaggle — 实战练习的最佳平台
这部分内容从数据章节的机器学习笔记迁移整合而来，包含吴恩达课程笔记和个人总结。
organise中的周志华笔记、CS229 线性代数和算法实战已经作为专题补入，用来承接更细的理论复习。