• 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
  第4章　线性代数与矩阵运算 非常好，这一章是很多人“入门机器学习”时最模糊、但“深入机器学习”后才恍然大悟的部分。 几乎所有的算法——从线性回归到神经网络，从聚类到推荐系统——底层都离不开 线性代数。 下面我会以「直观解释 + 数学形式 + 实际应用」的方式来系统讲解。 4.1 向量空间与特征表示 🧩 向量（Vector） 在机器学习中，向量 = 一个样本的特征集合。 例如，一个...
  2025-11-03 12:40:12 | AI
• 第3章　概率与统计
  第3章　概率与统计 这一章可以说是机器学习的数学“灵魂”章节——概率与统计是理解一切模型（从朴素贝叶斯到深度神经网络）的底层逻辑。 🌟 引言 机器学习的核心任务其实就是“在不确定性中做决策”。 而概率论提供了处理不确定性的语言，统计学提供了从数据中估计规律的方法。 如果说： 代数 → 是确定世界的数学； 概率与统计 → 就是“不确定世界的数学”。 3.1 随机变...
  2025-11-03 12:40:12 | AI
• dive-into-llms-112-第2章 机器学习的核心思想
  机器学习的核心思想：从“人写规则”到“机器自己学” 很多人第一次听到“机器学习”，脑子里都会浮现一个念头——这是不是某种黑盒魔法？ 其实不是。 机器学习的本质是一种新的“做事方式”：它不靠人一条条写规则，而是让机器自己从数据里学规律。 理解了这个核心转变，你在做任何和 AI 有关的项目时，都会更清楚地知道，自己到底在调什么、该先解决什么。 一、从“规则编程”到“经验学习” 规...
  2025-11-03 12:40:12 | AI