工作流实战教程与指南

首页 coze dify

1 机器学习概述

1.1 什么是机器学习

1.2 机器学习的历史发展

1.3 机器学习的应用领域

1.4 机器学习与人工智能的关系

2 机器学习概述与发展历程

3 数学基础：线性代数与概率论

4 监督学习：分类与回归

5 无监督学习：聚类与降维

6 实战项目：电影推荐系统

7 机器学习的类型

7.1 监督学习

7.1.1 分类问题

7.1.2 回归问题

7.2 无监督学习

7.2.1 聚类分析

7.2.2 降维技术

7.2.3 关联规则学习

7.3 强化学习

7.3.1 强化学习的基本概念

7.3.2 Q学习算法

8 数据预处理

8.1 数据清洗

8.1.1 处理缺失值

8.1.2 异常值检测与处理

8.2 特征工程

8.2.1 特征选择

8.2.2 特征构造

8.2.3 特征缩放

9.1 线性回归

9.1.1 简单线性回归

9.1.2 多元线性回归

9.1.3 正则化技术

9.2 逻辑回归

9.2.1 二分类逻辑回归

9.2.2 多分类逻辑回归

10 决策树算法

10.1 决策树基础

10.1.1 信息增益

10.1.2 基尼不纯度

10.2 决策树剪枝

11 集成学习

11.1 Bagging算法

11.1.1 随机森林

11.2 Boosting算法

11.2.1 AdaBoost算法

11.2.2 梯度提升决策树

12 模型评估与选择

12.1 评估指标

12.1.1 分类评估指标

12.1.2 回归评估指标

12.2 交叉验证

12.2.1 K折交叉验证

12.3 超参数调优

机器学习基础入门

机器学习基础入门

从零开始学习机器学习的核心概念，包括监督学习、无监督学习和强化学习的基本原理

56 个章节 2025-08-08

目录

1 机器学习概述

1.1 什么是机器学习

1.2 机器学习的历史发展

1.3 机器学习的应用领域

1.4 机器学习与人工智能的关系

2 机器学习概述与发展历程

3 数学基础：线性代数与概率论

4 监督学习：分类与回归

5 无监督学习：聚类与降维

6 实战项目：电影推荐系统

7 机器学习的类型

7.1 监督学习

7.1.1 分类问题

7.1.2 回归问题

7.2 无监督学习

7.2.1 聚类分析

7.2.2 降维技术

7.2.3 关联规则学习

7.3 强化学习

7.3.1 强化学习的基本概念

7.3.2 Q学习算法

8 数据预处理

8.1 数据清洗

8.1.1 处理缺失值

8.1.2 异常值检测与处理

8.2 特征工程

8.2.1 特征选择

8.2.2 特征构造

8.2.3 特征缩放

9.1 线性回归

9.1.1 简单线性回归

9.1.2 多元线性回归

9.1.3 正则化技术

9.2 逻辑回归

9.2.1 二分类逻辑回归

9.2.2 多分类逻辑回归

10 决策树算法

10.1 决策树基础

10.1.1 信息增益

10.1.2 基尼不纯度

10.2 决策树剪枝

11 集成学习

11.1 Bagging算法

11.1.1 随机森林

11.2 Boosting算法

11.2.1 AdaBoost算法

11.2.2 梯度提升决策树

12 模型评估与选择

12.1 评估指标

12.1.1 分类评估指标

12.1.2 回归评估指标

12.2 交叉验证

12.2.1 K折交叉验证

12.3 超参数调优

8.1.1 处理缺失值

2025年08月08日

缺失值是数据集中常见的问题。处理方法包括删除、填充（均值、中位数、众数）、插值等。选择合适的方法取决于数据的特性。