大模型技术之机器学习
视频介绍
随着人工智能的蓬勃发展，机器学习已经成为面向未来的一项核心技术能力。零售、金融、物流等行业的大型企业，通过机器学习技术提高竞争力、响应速度和效率，机器学习作为计算机视觉、自然语言处理的重要技术手段，还可以解决医疗健康、自动驾驶等领域的复杂问题。
尚硅谷精心打造的AI大模型之机器学习教程，是人工智能领域的重要基础课程，对机器学习理论和具体模型方法做了详尽系统的讲解，为后续的深度学习、NLP、大模型等AI技术的学习打下坚实基础，讲解中使用了大量应用案例和代码练习（基于Python），涵盖常用的监督学习、无监督学习算法，以及经典模型算法的详细数学推导。
教程分为数学基础、机器学习核心原理、机器学习具体模型三大部分。
一，数学基础，复习巩固所需的数学知识，主要包括：微积分、线性代数、概率统计（如果数学基础很好，本段内容可以跳过）；
二，机器学习核心原理，介绍机器学习的一般流程、核心概念和原理，具体内容包括：特征工程、损失函数、欠拟合和过拟合、正则化、交叉验证、解析法、梯度下降法、模型评价指标等；
三，机器学习具体模型，主要介绍机器学习经典的模型和算法，以监督学习为主，涵盖无监督学习方法，具体内容包括：KNN、线性回归、逻辑回归、感知机、感知机、朴素贝叶斯、决策树、支持向量机、集成学习（AdaBoost、随机森林等）、聚类方法（K均值聚类、DBSCAN等）、降维方法（SVD、PCA等）。
教程前置知识：
一，数学基础，讲解中涉及较多的数学原理和公式推导，需要掌握相关的数学知识，主要包括微积分、线性代数、概率统计等大学本科的数学基础课程；
二，编程基础，需要至少掌握一门编程语言，教程中的代码以Python编写。
视频目录 选集
- 001_机器学习课程简介
- 002_数学基础_导数的概念和基本公式
- 003_数学基础_基本求导法则
- 004_数学基础_用导数求极值和二阶导数
- 005_数学基础_代码绘制导函数图像
- 006_数学基础_偏导数
- 007_数学基础_方向导数
- 008_数学基础_梯度
- 009_数学基础_标量与向量
- 010_数学基础_向量代码测试
- 011_数学基础_矩阵概念及基本运算
- 012_数学基础_矩阵基本运算代码测试
- 013_数学基础_矩阵的其它运算和张量
- 014_数学基础_矩阵其它运算代码测试
- 015_数学基础_矩阵求导
- 016_数学基础_梯度矩阵
- 017_数学基础_概率的基本概念和计算
- 018_数学基础_概率分布
- 019_数学基础_贝叶斯定理
- 020_数学基础_似然函数和极大似然估计
- 021_机器学习_概述
- 022_机器学习_概念范畴
- 023_机器学习_发展历史
- 024_机器学习_应用领域
- 025_机器学习_基本术语
- 026_机器学习_分类
- 027_机器学习_常见方法
- 028_核心原理_监督学习建模流程
- 029_核心原理_特征工程_整体介绍
- 030_核心原理_特征工程_低方差过滤法
- 031_核心原理_特征工程_相关系数法_Pearson
- 032_核心原理_特征工程_相关系数法_Spearman
- 033_核心原理_特征工程_PCA降维
- 034_核心原理_损失函数
- 035_核心原理_经验误差和泛化误差
- 036_核心原理_欠拟合和过拟合
- 037_核心原理_拟合案例_整体思路
- 038_核心原理_拟合案例_导入模块和生成数据
- 039_核心原理_拟合案例_欠拟合
- 040_核心原理_拟合案例_恰好拟合和过拟合
- 041_核心原理_正则化
- 042_核心原理_正则化案例
- 043_核心原理_交叉验证
- 044_核心原理_模型求解_解析法
- 045_核心原理_模型求解_梯度下降法
- 046_核心原理_模型求解_梯度下降法案例1
- 047_核心原理_模型求解_梯度下降法案例2
- 048_核心原理_模型求解_学习率测试
- 049_核心原理_模型求解_梯度下降法的应用
- 050_核心原理_模型求解_牛顿法和拟牛顿法
- 051_核心原理_回归评价指标
- 052_核心原理_分类评价指标_混淆矩阵
- 053_核心原理_分类评价指标_准确率、精确率、召回率和F1
- 054_核心原理_分类评价指标_评估报告
- 055_核心原理_分类评价综合案例
- 056_核心原理_分类评价指标_ROC曲线
- 057_核心原理_分类评价指标_AUC
- 058_KNN_基本原理
- 059_KNN_分类示例代码
- 060_KNN_回归示例代码
- 061_KNN_常见距离度量方法
- 062_KNN_归一化
- 063_KNN_归一化代码测试
- 064_KNN_标准化
- 065_KNN_心脏病检测案例_数据集加载
- 066_KNN_心脏病检测案例_特征工程
- 067_KNN_心脏病检测案例_模型训练、保存和预测
- 068_KNN_心脏病检测案例_网格搜索和交叉验证
- 069_线性回归_基本概念和应用
- 070_线性回归_API调用
- 071_线性回归_损失函数
- 072_线性回归_一元线性回归解析解
- 073_线性回归_正规方程法求解
- 074_线性回归_API调用_截距参数
- 075_线性回归_梯度下降法
- 076_线性回归_梯度下降法_手动代码实现
- 077_线性回归_梯度下降法API_SGDRegressor
- 078_线性回归_梯度下降法案例_广告效果预测
- 079_逻辑回归_基本原理和应用
- 080_逻辑回归_损失函数
- 081_逻辑回归_损失函数的梯度
- 082_逻辑回归_API介绍
- 083_逻辑回归案例_心脏病检测
- 084_逻辑回归_多分类_OVR
- 085_逻辑回归_多分类_Softmax回归
- 086_逻辑回归案例_手写数字识别_数据集加载
- 087_逻辑回归案例_手写数字识别_模型训练和预测
- 088_感知机_基本原理
- 089_感知机_表示逻辑门电路
- 090_感知机_逻辑门代码实现_与门
- 091_感知机_逻辑门代码实现_与非门和或门
- 092_感知机_感知机的局限
- 093_感知机_多层感知机实现异或门
- 094_朴素贝叶斯_基本原理
- 095_朴素贝叶斯_极大似然估计
- 096_朴素贝叶斯_贝叶斯估计
- 097_朴素贝叶斯_学习和分类
- 098_决策树_基本原理
- 099_决策树_工作过程
- 100_决策树_信息熵和条件熵
- 101_决策树_信息增益和ID3
- 102_决策树_信息增益率和C4.5
- 103_决策树_基尼指数和CART
- 104_决策树_剪枝
- 105_SVM_基本介绍
- 106_SVM_线性可分SVM
- 107_SVM_线性SVM
- 108_SVM_非线性SVM
- 109_集成学习_基本概念和分类
- 110_集成学习_AdaBoost
- 111_集成学习_随机森林
- 112_无监督学习_聚类_整体介绍
- 113_无监督学习_聚类_K-means
- 114_无监督学习_聚类_层次聚类
- 115_无监督学习_聚类_密度聚类
- 116_无监督学习_聚类_KMeans代码示例
- 117_无监督学习_聚类_评价指标
- 118_无监督学习_降维_SVD基本原理
- 119_无监督学习_降维_SVD代码调用
- 120_无监督学习_降维_PCA