机器学习

围绕数据、模型、优化与泛化，建立从经典方法到深度学习的知识框架。

学习路线

先掌握数据划分、损失函数和评价指标，建立一个简单基线；再学习优化方法与深度网络。所有调参都在训练集与验证集上完成，最终测试集用于独立评估。

已完成 0 / 12 个知识点

机器学习基础

从数据、目标函数和泛化能力理解监督学习与无监督学习。

• 线性/逻辑回归与损失函数规划中
• 决策树、随机森林与梯度提升规划中
• SVM、朴素贝叶斯和 kNN规划中
• 聚类、PCA、数据划分与评价指标规划中

优化与泛化

通过梯度优化参数，并用正则化和验证控制过拟合。

• 梯度下降、动量与 Adam规划中
• L1/L2、早停与数据增强规划中
• 偏差—方差与交叉验证规划中
• 学习率计划和超参数搜索规划中

深度学习

用可微分计算图和反向传播训练多层表示。

• MLP 与反向传播规划中
• CNN、RNN、LSTM 与序列建模规划中
• 注意力与 Transformer规划中
• 归一化、残差连接和初始化规划中