文章目录
- 《机器学习快速入门》10周教学提纲
- 第1周：机器学习概览与环境准备
- 第2周：机器学习数学基础与数据处理
- 第3周：线性模型
- 第4周：经典分类算法
- 第5周：模型评估与优化
- 第6周：聚类与降维
- 第7周：集成学习
- 第8周：机器学习项目完整流程
- 第9周：神经网络快速入门（扩展）
- 第10周：综合项目与课程总结
- 推荐课程作业安排
《机器学习快速入门》10周教学提纲
课程定位
-
对象：有 Python 基础，希望快速掌握机器学习应用的学生/工程师
-
周期：10周
-
频率：每周1--2课时（建议每课时90分钟）
-
目标：
- 理解机器学习基本思想与工作流程
- 掌握经典机器学习算法
- 能使用 Python + sklearn 完成实际建模
- 完成一个综合机器学习项目
机器学习核心目标是让模型从数据中学习规律，并对新数据进行预测或决策。(IBM)
第1周：机器学习概览与环境准备
第1课：认识机器学习
内容：
- AI、机器学习、深度学习关系
- 机器学习的发展历史
- 机器学习解决什么问题
重点：
- 监督学习
- 无监督学习
- 强化学习
案例：
- 房价预测
- 垃圾邮件分类
- 用户聚类
实践：
- Python 环境搭建
- Jupyter Notebook
- sklearn 简介
第2周：机器学习数学基础与数据处理
第2课：从数据到模型
内容：
- 样本、特征、标签
- 训练集/测试集
- 模型训练流程
重点：
- 特征工程思想
- 数据清洗
- 数据标准化
实践：
python
pandas
numpy
matplotlib
sklearn案例：
- Titanic 生存预测数据处理
第3周：线性模型
第3课：线性回归与逻辑回归
内容：
线性回归
- 模型表达
- 损失函数
- 梯度下降
逻辑回归
- 分类问题
- Sigmoid函数
- 二分类预测
实践：
项目：
房价预测模型
掌握：
- 模型训练
- 预测
- 误差分析
第4周：经典分类算法
第4课：分类模型
内容：
K近邻算法 KNN
- 距离度量
- 分类思想
决策树
- 信息熵
- 信息增益
随机森林
- Bagging思想
实践：
项目：
手写数字识别
第5周：模型评估与优化
第5课：如何判断模型好坏
内容：
评价指标：
分类：
- Accuracy
- Precision
- Recall
- F1-score
- ROC/AUC
回归：
- MAE
- MSE
- RMSE
- R²
模型优化：
- 交叉验证
- 超参数调整
- 过拟合与欠拟合
实践：
- sklearn GridSearch
第6周：聚类与降维
第6课：无监督学习
内容：
聚类
K-Means：
- 聚类思想
- 距离计算
- K值选择
降维
PCA：
- 高维数据
- 特征压缩
实践：
项目：
用户消费行为分析
第7周：集成学习
第7课：提升模型性能
内容：
- Ensemble Learning
重点算法：
AdaBoost
Gradient Boosting
XGBoost
LightGBM
实践：
项目：
信用风险预测
第8周：机器学习项目完整流程
第8课：从0到1完成项目
内容：
机器学习Pipeline：
数据获取
↓
数据探索EDA
↓
数据清洗
↓
特征工程
↓
模型训练
↓
模型评估
↓
模型部署实践：
完整案例：
用户流失预测
第9周：神经网络快速入门（扩展）
第9课：从机器学习进入深度学习
内容：
- 神经元模型
- 多层感知机MLP
- 激活函数
- 反向传播
介绍：
- CNN
- RNN
- Transformer（概念）
实践：
- PyTorch快速体验
第10周：综合项目与课程总结
第10课：机器学习实战展示
学生完成：
任选：
项目1
房价预测
项目2
客户分类
项目3
文本情感分析
项目4
图像分类
总结：
- 如何选择算法
- 如何优化模型
- 如何进入实际应用
推荐课程作业安排
| 周次 | 作业 |
|---|---|
| 1 | 环境搭建+数据探索 |
| 2 | 数据清洗练习 |
| 3 | 线性回归项目 |
| 4 | 分类模型实验 |
| 5 | 模型优化实验 |
| 6 | 聚类分析 |
| 7 | 集成模型比较 |
| 8 | 综合项目 |
| 9 | 神经网络实验 |
| 10 | 项目汇报 |