一、课程大纲

模块1：机器学习基础筑基

1. Python编程速成

• NumPy/Pandas数据处理

• Matplotlib/Seaborn可视化

2. 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）

3. 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

1. 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）

2. 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

1. 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）

2. 模型调优技巧

• 网格搜索与贝叶斯优化

• 模型融合（Stacking/Blending）

3. 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

1. 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

2. 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”）

3. 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

1. “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）

2. 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”

3. 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

1. 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

2. 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）

3. 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