人工智能基础之机器学习夯基篇.AI竞赛学习系列技术

适合人群： 希望系统学习AI/ML的小白/转行AI的职场人士/计算机/数学/统计等相关专业学生 你将会学到： 掌握机器学习的基础 掌握机器学习的基础 掌握深度学习的基础 掌握基础的AI算法 掌握numpy类库方法 课程简介： 一、课程大纲 模块1：机器学习基础筑基 Python编程速成 NumPy/Pandas数据处理 Matplotlib/Seaborn可视化 数学基础强化 线性代数（矩阵运算、特征分解） 概率统计（贝叶斯定理、分布） 优化方法（梯度下降、凸优化） 机器学习核心概念 监督学习 vs 无监督学习 模型评估指标（Accuracy、F1、AUC-ROC） 模块2：经典算法深度解析 监督学习算法 线性回归/逻辑回归（数学推导+Sklearn实现） 决策树与随机森林（特征重要性分析） SVM（核函数与超平面可视化） 无监督学习算法 K-Means聚类（肘部法则优化） PCA降维（特征工程实战） 模块3：AI竞赛实战专题 竞赛全流程拆解 数据清洗（缺失值/异常值处理） 特征工程（时序特征、交叉特征生成） 模型调优技巧 网格搜索与贝叶斯优化 模型融合（Stacking/Blending） 经典赛题复现 Kaggle泰坦尼克生存预测（结构化数据） 天池新闻分类（NLP文本数据） 模块4：高阶应用拓展 自动化机器学习（AutoML） 模型解释性（SHAP、LIME） 竞赛答辩与报告撰写 二、课程特点 双轨制教学 理论层：手推公式（如梯度下降推导）+代码层：逐行解读Sklearn/TensorFlow实现 竞赛驱动学习 每章节配套1个竞赛级项目（如房价预测、用户流失分析） 提供真实数据集（含数据清洗后的“干净版”和“原始版”） 数学可视化 动态演示损失函数收敛过程（Matplotlib动画） 3D可视化高维降维（PCA/t-SNE交互式图表） 三、授课风格 “洋葱式”讲解 外层：直观比喻（如“决策树像公司决策流程”） 中层：Python代码演示 内核：数学原理推导（LaTeX公式分步解析） 错题本机制 收集学员高频错误（如过拟合陷阱）制作“避坑指南” 直播+录播混合 直播：每周Q&A+竞赛方案复盘 录播：知识点切片（可倍速学习） 四、设计思路 问题导向设计 每章节以实际业务问题引入（如“如何预测用户购买行为？”） 通过算法对比（线性回归 vs 随机森林）培养模型选择思维 认知负荷管理 复杂概念分阶段讲解（如SVM先讲硬间隔→再引入核函数） 提供“芝士卡片”速查表（算法适用场景/超参数范围） 正反馈闭环 即时奖励：完成项目颁发NFT证书 长期激励：优秀作业可入选课程案例库 五、配套资源 工具包：预配置Jupyter Notebook模板（含常用函数封装） 竞赛社区：组队功能+往届优秀方案解析 助教系统：30分钟内响应代码调试请求