机器学习必修课：经典AI算法与编程实战 瞿炜
在人工智能浪潮席卷全球的今天，机器学习已成为一项不可或缺的核心技能。本资源《机器学习必修课：经典AI算法与编程实战》由B站知名讲师瞿炜精心打造，是一套面向初学者的系统化、实战型机器学习入门课程。课程内容覆盖机器学习基础概念、常用工具链、核心算法原理与编程实现，通过 Anaconda环境配置、Jupyter Notebook实战、Numpy数值计算 等模块，手把手带领学员从零搭建AI知识体系。无论你是：
- 🎯 在校学生 —— 希望系统学习AI技术，为科研或就业打下基础
- 💻 编程爱好者 —— 已有Python基础，想进一步拓展机器学习实战能力
- 🚀 转型从业者 —— 从事数据分析、软件开发，希望向AI领域转型
- 🌱 AI零基础小白 —— 渴望入门人工智能，却不知从何入手
本课程均能提供一条清晰、实用的学习路径，助你轻松跨过机器学习的第一道门槛。
机器学习必修课：经典AI算法与编程实战 瞿炜 资源分类与亮点解析
- 课程导论与机器学习初识
从“什么是机器学习”出发，系统阐述课程理念与技术栈，帮助学习者建立整体认知框架，避免一开始就陷入技术细节。亮点包括： - 课程内容与理念介绍 —— 明确学习目标与预期收获
- 机器学习基本概念 —— 通俗易懂的语言讲解AI背景与范畴
- 技术栈预览 —— 提前了解将使用的工具与环境，做到心中有数
- 机器学习基础认知构建
本章是理论入门的关键部分，重点讲解机器学习的基本问题类型与学习范式，特别加入“七大常见误区与局限”内容，帮助学习者建立正确的AI认知。内容包括： - 数据集介绍与使用 —— 结合实际案例讲解数据形态
- 问题分类 —— 分类、回归等典型任务详解
- 学习范式划分 —— 监督学习、无监督学习、强化学习区别与应用场景
- 误区辨析 —— 破除对机器学习的常见误解，建立科学学习观
- 开发环境搭建与Numpy实战入门
实战部分的核心章节，全程以Anaconda + Jupyter Notebook + Numpy为技术主线，重点培养学习者的代码实操能力。亮点包括： - Anaconda图形化与命令行操作 —— 双模式教学，适应不同用户习惯
- Jupyter Notebook基础与高级使用 —— 包含常用魔法命令，提升开发效率
- Numpy全方位讲解 —— 从数组创建、索引切片、合并拆分，到矩阵运算与统计方法，覆盖数据科学必备的数值计算基础
课程推荐语
本课程详细介绍了机器学习的经典算法，包括KNN、线性回归、逻辑回归、决策树、神经网络、SVM、贝叶斯方法以及聚类算法等。每个算法都配有详细的理论讲解和代码实现案例，适合想要系统学习机器学习的学员。课程内容全面且实用，不仅适合初学者入门，也适合有一定基础的学习者深化理解。
课程目录
机器学习必修课：经典算法与Python实战 ├─ 01.1-1课程内容和理念_ev.mp4 ├─ 02.1-2-初识机器学习_ev.mp4 ├─ 03.1-3-课程使用的技术栈_ev.mp4 ├─ 04.2-1本章总览_ev.mp4 ├─ 05.2-2-数据长什么样：常见数据集、典型实例、如何使用_ev.mp4 ├─ 06.2-3-研究哪些问题：分类、回归等_ev.mp4 ├─ 07.2-4-如何分门别类：监督、无监督、强化学习等_ev.mp4 ├─ 08.2-5-机器学习的七大常见误区和局限_ev.mp4 ├─ 09.3-1本章总览：相互关系与学习路线_ev.mp4 ├─ 10.3-2-Anaconda图形化操作_ev.mp4 ├─ 100.12-4-聚类算法代码实现_ev.mp4 ├─ 101.12-5-聚类评估代码实现_ev.mp4 ├─ 102.12-6-聚类算法优缺点和适用条件_ev.mp4 ├─ 103.13-1-本章总览_ev.mp4 ├─ 104.13-2-PCA核心思想和原理_ev.mp4 ├─ 105.13-3-PCA求解算法_ev.mp4 ├─ 106.13-4-PCA算法代码实现_ev.mp4 ├─ 107.13-5-降维任务代码实现_ev.mp4 ├─ 108.13-6-PCA在数据降噪中的应用_ev.mp4 ├─ 109.13-7-PCA在人脸识别中的应用_ev.mp4 ├─ 11.3-3-Anaconda命令行操作_ev.mp4 ├─ 110.13-8-主成分分析优缺点和适用条件_ev.mp4 ├─ 111.14-1-本章总览_ev.mp4 ├─ 112.14-2-概率图模型核心思想和原理_ev.mp4 ├─ 113.14-3-EM算法参数估计_ev.mp4 ├─ 114.14-4-隐马尔可夫模型代码实现_ev.mp4 ├─ 115.14-5-概率图模型优缺点和适用条件_ev.mp4 ├─ 116.15-1-本章总览_ev.mp4 ├─ 117.15-2-泰坦尼克生还预测_ev.mp4 ├─ 118.15-3-房价预测_ev.mp4 ├─ 119.15-4-交易反欺诈代码实现_ev.mp4 ├─ 12.3-4-JupyterNotebook基础使用_ev.mp4 ├─ 120.15-5-如何深入研究机器学习_ev.mp4 ├─ 13.3-5-JupyterNotebook高级使用：常用魔法命令_ev.mp4 ├─ 14.3-6-Numpy基础：安装与性能对比_ev.mp4 ├─ 15.3-7-Numpy数组创建：特定数组、等差数组、随机数组_ev.mp4 ├─ 16.3-8-Numpy数组基础索引：索引和切片_ev.mp4 ├─ 17.3-9-Numpy非常重要的数组合并与拆分操作_ev.mp4 ├─ 18.3-10-Numpy数组矩阵运算：一元运算、二元运算与矩阵运算_ev.mp4 ├─ 19.3-11-Numpy数组统计运算：常用的都在这儿了_ev.mp4 ├─ 20.3-12-Numpy数组arg运算和排序_ev.mp4 ├─ 21.3-13-Numpy数组神奇索引和布尔索引_ev.mp4 ├─ 22.3-14-Matplotlib数据可视化：基础绘制与设置_ev.mp4 ├─ 23.4-1本章总览_ev.mp4 ├─ 24.4-2-KNN算法核心思想和原理_ev.mp4 ├─ 25.4-3-KNN分类任务代码实现_ev.mp4 ├─ 26.4-4-数据集划分：训练集与预测集_ev.mp4 ├─ 27.4-5-模型评价_ev.mp4 ├─ 28.4-6-超参数_ev.mp4 ├─ 29.4-7-特征归一化_ev.mp4 ├─ 30.4-8-KNN回归任务代码实现_ev.mp4 ├─ 31.4-9-KNN优缺点和适用条件_ev.mp4 ├─ 32.5-1-本章总览_ev.mp4 ├─ 33.5-2-线性回归核心思想和原理_ev.mp4 ├─ 34.5-3-逻辑回归核心思想和原理_ev.mp4 ├─ 35.5-4-线性回归代码实现_ev.mp4 ├─ 36.5-5-模型评价：MSE、RMSE、MAE和R方_ev.mp4 ├─ 37.5-6多项式回归代码实现_ev.mp4 ├─ 38.5-7-逻辑回归算法_ev.mp4 ├─ 39.5-8-线性逻辑回归代码实现_ev.mp4 ├─ 40.5-9多分类策略_ev.mp4 ├─ 41.5-10-复杂逻辑回归及代码实现_ev.mp4 ├─ 42.5-11-线性算法优缺点和适用条件_ev.mp4 ├─ 43.6-1-本章总览_ev.mp4 ├─ 44.6-2-损失函数_ev.mp4 ├─ 45.6-3-梯度下降_ev.mp4 ├─ 46.6-4-决策边界_ev.mp4 ├─ 47.6-5-过拟合与欠拟合_ev.mp4 ├─ 48.6-6-学习曲线_ev.mp4 ├─ 49.6-7-交叉验证_ev.mp4 ├─ 50.6-8-模型误差_ev.mp4 ├─ 51.6-9-正则化_ev.mp4 ├─ 52.6-10-LASSO和岭回归代码实现_ev.mp4 ├─ 53.6-11-模型泛化_ev.mp4 ├─ 54.6-12-评价指标：混淆矩阵、精准率和召回率_ev.mp4 ├─ 55.6-13-评价指标：ROC曲线_ev.mp4 ├─ 56.7-1-本章总览_ev.mp4 ├─ 57.7-2-决策树核心思想和原理_ev.mp4 ├─ 58.7-3-信息熵_ev.mp4 ├─ 59.7-4-决策树分类任务代码实现_ev.mp4 ├─ 60.7-5-基尼系数_ev.mp4 ├─ 61.7-6-决策树剪枝_ev.mp4 ├─ 62.7-7-决策树回归任务代码实现_ev.mp4 ├─ 63.7-8-决策树优缺点和适用条件_ev.mp4 ├─ 64.8-1-本章总览_ev.mp4 ├─ 65.8-2-神经网络核心思想和原理_ev.mp4 ├─ 66.8-3-激活函数_ev.mp4 ├─ 67.8-4-正向传播与反向传播_ev.mp4 ├─ 68.8-5-梯度下降优化算法_ev.mp4 ├─ 69.8-6-神经网络简单代码实现_ev.mp4 ├─ 70.8-7-梯度消失和梯度爆炸_ev.mp4 ├─ 71.8-8-模型选择_ev.mp4 ├─ 72.8-9-神经网络优缺点和适用条件_ev.mp4 ├─ 73.9-1-本章总览_ev.mp4 ├─ 74.9-2-SVM核心思想和原理_ev.mp4 ├─ 75.9-3-硬间隔SVM_ev.mp4 ...
