系列教程
机器学习完全指南
共 12 篇文章
1
机器学习概述与发展历程
机器学习的定义、发展历史、主要分类与应用领域全面介绍。
2
Python 数据科学环境搭建
从零搭建 Python 机器学习开发环境，包括 Anaconda、Jupyter、常用库配置。
3
数据预处理与特征工程
机器学习数据预处理全流程：清洗、转换、特征选择与特征构造。
4
监督学习 - 回归算法详解
线性回归、多项式回归、岭回归、Lasso 回归等回归算法原理与实战。
5
监督学习 - 分类算法详解
逻辑回归、决策树、SVM、KNN 等分类算法的原理、实现与应用。
6
无监督学习 - 聚类与降维
K-Means、DBSCAN、层次聚类与 PCA、t-SNE 降维技术详解。
7
集成学习：Random Forest 与 XGBoost
深入理解集成学习方法，掌握 Bagging、Boosting 原理，实战 Random Forest、XGBoost 和 LightGBM 算法
8
模型评估与调优
全面掌握机器学习模型评估指标、交叉验证方法、超参数调优技术，避免过拟合与欠拟合
9
Scikit-learn 实战项目
从数据加载到模型部署的完整机器学习项目实战，掌握 Pipeline、特征工程、模型训练与评估全流程
10
时间序列分析与预测
掌握时间序列数据处理、ARIMA 模型、Prophet 预测以及 LSTM 深度学习方法进行时序预测
11
AutoML 与自动化机器学习
探索自动化机器学习工具，包括 Auto-sklearn、TPOT、H2O AutoML，实现高效的模型自动选择与调优
12
机器学习模型部署与 MLOps
全面掌握机器学习模型部署方法，包括 Flask/FastAPI API 服务、Docker 容器化、MLflow 实验管理和 CI/CD 自动化