• 第13章　NLP 领域的机器学习实践
  第13章　NLP 领域的机器学习实践 第 13 章「NLP 领域的机器学习实践」是整个机器学习体系中最具代表性的实战篇章之一。 自然语言处理（Natural Language Processing, NLP）是机器学习在真实世界中最早、也最广泛的落地场景之一。 本章将从数据预处理、表示方法到经典任务与模型，系统地讲解传统机器学习如何“理解文字”。 第13章　NLP 领域的机器学习实践...
  2025-11-03 12:40:12 | AI
• 第12章　模型评估与调优
  第12章　模型评估与调优 再好的算法，也需要科学的评估与精细的调优。 机器学习模型不是一劳永逸的“公式”，而是一个需要不断验证、优化、取舍的系统。 本章将系统介绍：如何评价模型好坏、如何合理分配数据、如何找到最优参数组合，以及如何理解模型的“可靠性”。 12.1 交叉验证与数据划分策略 🎯 1. 为什么要划分数据？ 机器学习的核心是“从已知数据学习规律，以预测未知数据”。 如果用...
  2025-11-03 12:40:12 | AI
• 第11章　特征工程与数据处理
  第11章　特征工程与数据处理 机器学习的成败，往往不在模型复杂度，而在于数据质量与特征表达能力。 这一章聚焦于如何「让模型看懂数据」，从特征提取、选择、编码到特征交互与自动化管理，系统解析特征工程的全流程。 11.1 特征提取、选择与编码 🧱 1. 特征提取（Feature Extraction） 目标： 将原始数据（文本、图像、日志、信号等）转化为机器可理解的数值表示。 典...
  2025-11-03 12:40:12 | AI
• 第10章 无监督学习与聚类（Unsupervised Learning & Clustering）
  第10章　无监督学习与聚类 10.1 K-Means 与高维空间的挑战 （1）核心思想 K-Means 是最经典的无监督学习算法之一。它通过 最小化簇内样本的平方误差，将数据划分为 K 个相对紧密的簇。 其优化目标函数为： [ J = \sum_{i=1}^{K} \sum_{x_j \in C_i} ||x_j - \mu_i||^2 ] 其中： (C_i)：第 i 个...
  2025-11-03 12:40:12 | AI
• 第9章　概率模型与统计学习
  第9章　概率模型与统计学习 9.1 朴素贝叶斯（Naive Bayes） （1）核心思想 朴素贝叶斯是一种基于 贝叶斯定理（Bayes’ theorem） 和 特征条件独立假设 的概率分类方法。 贝叶斯定理： [ P(y|x) = \frac{P(x|y)P(y)}{P(x)} ] 其中： (P(y))：先验概率（类别的总体概率）； ...
  2025-11-03 12:40:12 | AI
• 第8章　决策树与集成学习
  第8章　决策树与集成学习 8.1 决策树构建原理（ID3、C4.5、CART） （1）核心思想 决策树（Decision Tree）是一种 基于规则的监督学习方法。 它通过在特征空间中 逐步划分样本，最终形成一个 树状结构 来进行分类或回归。 每个内部节点表示一个“特征判定条件”，每个叶子节点对应一个“类别”或“预测值”。 直观理解： 就像人类判断事物一样，“如果温度高→再看...
  2025-11-03 12:40:12 | AI
• 第7章　基于距离与相似度的方法
  第7章　基于距离与相似度的方法 在机器学习的世界里，有一类算法不依赖复杂的参数学习过程，而是通过“比较样本间的相似性”来进行预测。 这种思想源于人类的直觉学习方式——我们看到一个新事物时，会下意识地问： “它像不像我见过的某个东西？” 这类方法的代表是 k-近邻算法（K-Nearest Neighbors, KNN）。 它是“基于实例”的学习（Instance-based Le...
  2025-11-03 12:40:12 | AI
• 第6章　线性模型家族
  第6章　线性模型家族 线性模型是机器学习中最早、最经典、也是最具代表性的算法家族。 几乎所有复杂模型（包括神经网络）在本质上都可以看作“非线性的线性组合”。 线性模型的魅力在于： 简单而强大 —— 可以解释、可计算、可扩展； 理论完备 —— 有清晰的概率解释和几何意义； 实用性极高 —— 仍被广泛用于工业界的特征工程、基线模型和可解释建模。 6.1 线性回归 ...
  2025-11-03 12:40:12 | AI