# machine-learning

**Repository Path**: comeyuan/machine-learning

## Basic Information

- **Project Name**: machine-learning
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 7
- **Forks**: 0
- **Created**: 2025-12-31
- **Last Updated**: 2026-05-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 实用机器学习应用技术

本课程面向人工智能技术应用专业学生，重点介绍**机器学习在实际工程中的常见模型与应用方法**。课程强调“能理解、会实现、可应用”，以经典算法和工程实践为主线，帮助学生建立完整的机器学习认知体系。

---

## 一、课程目标

通过本课程学习，学生应能够：

- 理解机器学习的基本概念和应用场景
- 掌握常见机器学习模型的原理与使用方法
- 使用 Python 构建完整的机器学习流程
- 掌握模型训练、评估与对比分析能力
- 具备解决简单实际问题的机器学习建模能力

---

## 二、课程内容结构

### 00_python_basic  
Python 编程基础与科学计算工具介绍。

---

### 01_math_basic  
机器学习所需的必要数学基础，强调直观理解。

---

### 02_线性回归算法  
- 回归建模思想  
- 线性回归模型  
- 损失函数与梯度下降  
- 回归评估指标（MSE、RMSE、R²）

---

### 03_K近邻算法  
- KNN 算法原理  
- 距离度量  
- 分类与回归应用  
- 算法优缺点分析

---

### 04_线性分类  
- 感知机  
- Logistic 回归  
- 分类损失函数  
- 优化思想  
- 分类评估指标（Accuracy、Precision、Recall、F1）

---

### 05_神经网络  
- 神经元模型  
- 前向传播与反向传播  
- 多层感知机（MLP）  
- 神经网络的应用场景

---

### 06_决策树与集成学习  
面向实际工程的核心模型模块：

- 决策树模型原理与构建
- 信息熵、基尼系数的直观理解
- 决策树过拟合与剪枝思想
- 随机森林与 Bagging 集成方法
- Boosting 思想简介
- XGBoost 模型原理与工程优势
- 不同模型在同一数据集上的效果对比

---

## 三、课程特点

- ✅ 以工程应用为导向  
- ✅ 强调模型直觉与实践效果  
- ✅ 贯穿完整机器学习流程  
- ✅ 覆盖工业界常用算法（线性模型、树模型、XGBoost）

---

## 四、学习建议

- 按目录顺序学习，循序渐进
- 重视模型对比实验与评估分析
- 尝试将课堂案例扩展为完整项目
- 理解“什么时候用什么模型”

---

## 五、实验与环境

- Python 3.10
- NumPy / Pandas  
- Matplotlib  
- scikit-learn  
- XGBoost  

---

## 六、说明

本课程内容将根据教学进度持续优化和完善。