• 第17章　卷积与序列模型 卷积神经网络（Convolutional Neural Network, CNN）
  这一章标志着从传统机器学习走向深度学习时代的关键转折点，它聚焦于两大深度结构 —— CNN（卷积神经网络） 与 RNN（循环神经网络）/Transformer（注意力模型），它们分别代表了机器在“看图”和“理解序列”上的两条主线。 第17章　卷积与序列模型 17.1 CNN 的思想：局部感受野与权重共享 🔹 一、背景 传统的全连接神经网络在图像处理上效率极低，因为每个像素点都与所...
  2025-11-03 12:40:12 | AI
• 第16章　深度学习的兴起
  第 16 章「深度学习的兴起」是整本书的转折点——前面几章都在讲传统机器学习（依靠特征工程与统计建模），而从这里开始，进入了“自动特征学习”与“端到端优化”的新时代。 这一章不仅要讲技术，更要让读者理解：深度学习为什么是机器学习的必然演化方向。 第16章　深度学习的兴起 深度学习（Deep Learning）本质上是机器学习的一种方法，但它在“表达能力”“学习范式”“计算规模”上带...
  2025-11-03 12:40:12 | AI
• 第15章　时序数据与预测
  第 15 章「时序数据与预测」是机器学习在金融、运维、IoT、气象、供应链、交通等行业中最具实用价值的应用方向之一。 这一章的目标，是帮助读者理解时间序列的结构、建模方法、预测思路与异常检测技术。 第15章　时序数据与预测 时间序列（Time Series）是指按时间顺序排列的一系列数据点。 与普通数据不同，它具备明显的时序依赖性（temporal dependency），过去的状...
  2025-11-03 12:40:12 | AI
• 第14章　计算机视觉与传统机器学习 Computer Vision, CV
  第14章　计算机视觉与传统机器学习 在深度学习爆发之前，计算机视觉（Computer Vision, CV）领域的主要研究方向，是如何让机器从图像中“提取可用于机器学习的特征”，并用这些特征配合传统算法（如 SVM、KNN、Random Forest 等）完成分类、检测、识别等任务。 本章系统介绍传统机器学习在计算机视觉中的关键方法、特征工程技巧与经典应用案例。 14.1 图像特征...
  2025-11-03 12:40:12 | AI
• 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