ML

机器学习知识库

从基础概念到经典算法的中文机器学习笔记，保留公式、代码、运行结果与原始 Notebook。

96
篇可读条目
91
份 Notebook
13
个学习专题

这是一套从 Jupyter Notebook 迁移而来的中文机器学习知识库。内容保留了原笔记中的公式、代码、运行结果和配图，并按主题与学习顺序重新组织。

推荐阅读方式

  1. 初次学习可从「概述」开始，再补充「数学基础」。
  2. 监督学习建议依次阅读线性回归、逻辑回归、kNN、决策树、贝叶斯与支持向量机。
  3. 进阶部分可继续学习神经网络、集成学习，以及聚类等无监督学习主题。
  4. 每篇文章都提供原始文件下载，便于回到 Notebook 运行代码或继续编辑。

内容说明

  • Notebook 中的 Markdown、代码单元格和已有运行输出均已迁移。
  • 原始图片按原路径保留；Notebook 内嵌的图表已提取为网页资源。
  • TODO、书单、论文链接与示例数据也作为知识库条目保留。
  • 下载原始知识库索引 · 查看源文件附录

在当前知识库中查找

标题、专题或标签

输入关键词开始搜索。

学习路径

按 Markdown 中的 weight 排序
10

概述

从机器学习的基本概念、任务类型和常见算法开始建立全局认识。

3 篇
20

数学基础

整理公式书写、矩阵性质与拉格朗日对偶等机器学习数学工具。

4 篇
30

线性回归

从最小二乘到正则化、优化算法与鲁棒学习的完整回归学习路径。

25 篇
40

逻辑回归

由回归走向分类，覆盖二分类、多分类、优化与模型评估。

12 篇
50

kNN

理解距离度量、近邻决策、kd 树与 sklearn 实战。

4 篇
60

决策树

学习属性划分、剪枝、连续值、缺失值与多变量决策树。

6 篇
70

贝叶斯

从贝叶斯定理到朴素贝叶斯、半朴素模型和贝叶斯网络。

7 篇
80

支持向量机

系统整理间隔、对偶、SMO、核方法与支持向量回归。

9 篇
90

神经网络

从感知机、神经元模型一路理解反向传播和常见网络结构。

6 篇
100

集成学习

梳理 Boosting、Bagging、随机森林与学习器多样性。

5 篇
110

聚类

覆盖 k-means、DBSCAN、层次聚类等无监督学习方法。

5 篇
120

降维

记录 PCA、SVD、t-SNE 与自动编码器等降维方向的学习计划。

1 篇
130

其他资料

汇总课程、书籍、论文与配套示例数据。

9 篇