• 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
• 第5章　优化与数值计算
  第5章　优化与数值计算 优化问题是机器学习的核心。 学习算法的本质是 寻找最优参数，使模型在给定任务上表现最佳。 这一过程几乎总可以形式化为一个“优化问题”： [ \min_\theta ; L(\theta) ] 其中 ( \theta ) 是模型参数，( L(\theta) ) 是损失函数或目标函数。 本章将介绍从损失函数设计到优化算法、再到数值陷阱与模型复杂度控制的系统思维。...
  2025-11-03 12:40:12 | AI
• 第4章　线性代数与矩阵运算
  🧭 标题备选 别被矩阵吓到：机器学习的底层，其实全是线性代数 线性代数是机器学习的语言：从向量到PCA，一次讲透 机器学习的灵魂不是AI，而是矩阵 当你看懂向量、矩阵和PCA，机器学习才真正入门 数学不抽象：一文讲透机器学习背后的线性世界 🖼 封面文案 所有的智能背后，都是线性代数在默默支撑。 理解矩阵，你就理解了机器学习的底层逻辑。 （配图建议：...
  2025-11-03 12:40:12 | AI
• 第3章　概率与统计
  【AI简史】第3章 概率与统计：机器学习的灵魂数学 你以为机器学习靠的是算力，其实靠的是“算概率”。 很多人一听到“概率与统计”，第一反应就是头疼。 但如果你真想理解机器学习的底层逻辑，这一块必须得啃下来。 因为无论是推荐算法、语音识别，还是 ChatGPT， 它们本质上都在做一件事——在不确定性中做决策。 而能让机器理解“不确定”，只有概率论和统计学。 一、不确定世界...
  2025-11-03 12:40:12 | AI