尚硅谷AI大模型之机器学习

《尚硅谷AI大模型之机器学习》是一套面向人工智能与大模型学习者打造的系统化机器学习课程，主要帮助学员建立从机器学习基础到实际项目应用的完整知识体系。随着生成式AI、大语言模型和智能应用快速发展，机器学习依然是理解人工智能技术的重要基础。通过学习本课程，可以进一步理解数据、算法、模型训练与预测之间的关系，为后续学习深度学习、计算机视觉、自然语言处理以及大语言模型等方向打下扎实基础。

课程通常从机器学习的基本概念入手，帮助学习者认识监督学习、无监督学习等核心范式，并逐步学习数据处理、特征工程、模型训练、模型评估和效果优化等关键环节。通过理论讲解与代码实践相结合的方式，使学员不仅了解算法的基本原理，也能够掌握利用Python及相关机器学习工具完成实际任务的方法。

在算法学习方面，课程会围绕常见机器学习模型展开，包括线性回归、逻辑回归、决策树、随机森林、支持向量机、聚类以及降维等内容，并结合分类、回归、预测等典型问题进行分析。学习过程中还会涉及训练集与测试集划分、特征处理、模型评价指标、过拟合与欠拟合等重要概念，帮助学员建立较为完整的机器学习建模思维。

课程的另一大特点是注重实践应用。通过实际数据集和项目案例，学习者可以了解从数据采集与清洗，到特征构建、模型训练、结果评估以及模型优化的完整流程，将理论知识转化为解决实际问题的能力。同时，通过对不同算法和模型效果进行对比，也能够逐步培养数据分析和模型选择能力。

对于希望进入AI领域的Java、Python开发者、数据分析人员，以及准备学习深度学习和大模型技术的学员来说，这套课程具有较好的基础性和衔接作用。整体而言，《尚硅谷AI大模型之机器学习》不仅适合机器学习入门，也能够帮助学习者建立规范的AI技术学习路径，为进一步研究深度学习、神经网络、LLM及AI智能应用开发积累必要的理论与实践基础。

课程目录：

尚硅谷AI大模型之机器学习/
│ ├── 1.资料&算法图都在笔记中/
│ │ ├── 1.资料&算法图都在笔记中资料.zip (1.83 MB)
│ │ └── 1.资料&算法图都在笔记中.exe (18.57 MB)
│ ├── 2.测试数据/
│ │ ├── 2.测试数据文档.zip (1.83 MB)
│ │ └── data.exe (8.16 MB)
│ ├── 3.代码/
│ │ ├── 3.代码说明.zip (1.83 MB)
│ │ └── notebook.exe (0.40 MB)
│ └── 4.视频/
│ │ ├── 001_机器学习课程简介.mp4 (15.87 MB)
│ │ ├── 002_数学基础_导数的概念和基本公式.mp4 (25.29 MB)
│ │ ├── 4.视频必看.png (0.48 MB)
│ │ ├── 005_数学基础_代码绘制导函数图像.mp4 (40.41 MB)
│ │ ├── 007_数学基础_方向导数.mp4 (25.99 MB)
│ │ ├── 008_数学基础_梯度.mp4 (26.29 MB)
│ │ ├── 009_数学基础_标量与向量.mp4 (41.60 MB)
│ │ ├── 010_数学基础_向量代码测试.mp4 (17.61 MB)
│ │ ├── 011_数学基础_矩阵概念及基本运算.mp4 (45.46 MB)
│ │ ├── 012_数学基础_矩阵基本运算代码测试.mp4 (42.66 MB)
│ │ ├── 013_数学基础_矩阵的其它运算和张量.mp4 (24.49 MB)
│ │ ├── 014_数学基础_矩阵其它运算代码测试.mp4 (22.54 MB)
│ │ ├── 015_数学基础_矩阵求导.mp4 (51.50 MB)
│ │ ├── 017_数学基础_概率的基本概念和计算.mp4 (28.92 MB)
│ │ ├── 018_数学基础_概率分布.mp4 (31.90 MB)
│ │ ├── 019_数学基础_贝叶斯定理.mp4 (35.01 MB)
│ │ ├── 020_数学基础_似然函数和极大似然估计.mp4 (44.83 MB)
│ │ ├── 021_机器学习_概述.mp4 (27.97 MB)
│ │ ├── 022_机器学习_概念范畴.mp4 (10.76 MB)
│ │ ├── 023_机器学习_发展历史.mp4 (55.43 MB)
│ │ ├── 024_机器学习_应用领域.mp4 (17.95 MB)
│ │ ├── 025_机器学习_基本术语.mp4 (28.97 MB)
│ │ ├── 026_机器学习_分类.mp4 (32.70 MB)
│ │ ├── 027_机器学习_常见方法.mp4 (16.12 MB)
│ │ ├── 028_核心原理_监督学习建模流程.mp4 (21.96 MB)
│ │ ├── 029_核心原理_特征工程_整体介绍.mp4 (95.34 MB)
│ │ ├── 030_核心原理_特征工程_低方差过滤法.mp4 (45.34 MB)
│ │ ├── 031_核心原理_特征工程_相关系数法_Pearson.mp4 (55.39 MB)
│ │ ├── 032_核心原理_特征工程_相关系数法_Spearman.mp4 (26.33 MB)
│ │ ├── 033_核心原理_特征工程_PCA降维.mp4 (84.45 MB)
│ │ ├── 035_核心原理_经验误差和泛化误差.mp4 (22.21 MB)
│ │ ├── 036_核心原理_欠拟合和过拟合.mp4 (62.70 MB)
│ │ ├── 037_核心原理_拟合案例_整体思路.mp4 (31.10 MB)
│ │ ├── 038_核心原理_拟合案例_导入模块和生成数据.mp4 (33.22 MB)
│ │ ├── 039_核心原理_拟合案例_欠拟合.mp4 (40.34 MB)
│ │ ├── 040_核心原理_拟合案例_恰好拟合和过拟合.mp4 (30.24 MB)
│ │ ├── 041_核心原理_正则化.mp4 (62.33 MB)
│ │ ├── 042_核心原理_正则化案例.mp4 (52.90 MB)
│ │ ├── 043_核心原理_交叉验证.mp4 (35.60 MB)
│ │ ├── 046_核心原理_模型求解_梯度下降法案例1.mp4 (58.45 MB)
│ │ ├── 047_核心原理_模型求解_梯度下降法案例2.mp4 (39.78 MB)
│ │ ├── 048_核心原理_模型求解_学习率测试.mp4 (20.87 MB)
│ │ ├── 049_核心原理_模型求解_梯度下降法的应用.mp4 (39.89 MB)
│ │ ├── 050_核心原理_模型求解_牛顿法和拟牛顿法.mp4 (15.11 MB)
│ │ ├── 052_核心原理_分类评价指标_混淆矩阵.mp4 (46.72 MB)
│ │ ├── 053_核心原理_分类评价指标_准确率、精确率、召回率和F1.mp4 (51.17 MB)
│ │ ├── 054_核心原理_分类评价指标_评估报告.mp4 (15.00 MB)
│ │ ├── 055_核心原理_分类评价综合案例.mp4 (29.25 MB)
│ │ ├── 056_核心原理_分类评价指标_ROC曲线.mp4 (70.80 MB)
│ │ ├── 057_核心原理_分类评价指标_AUC.mp4 (28.51 MB)
│ │ ├── 058_KNN_基本原理.mp4 (28.65 MB)
│ │ ├── 059_KNN_分类示例代码.mp4 (48.69 MB)
│ │ ├── 061_KNN_常见距离度量方法.mp4 (30.83 MB)
│ │ ├── 062_KNN_归一化.mp4 (29.64 MB)
│ │ ├── 063_KNN_归一化代码测试.mp4 (16.23 MB)
│ │ ├── 064_KNN_标准化.mp4 (21.63 MB)
│ │ ├── 066_KNN_心脏病检测案例_特征工程.mp4 (68.64 MB)
│ │ ├── 067_KNN_心脏病检测案例_模型训练、保存和预测.mp4 (25.53 MB)
│ │ ├── 068_KNN_心脏病检测案例_网格搜索和交叉验证.mp4 (63.60 MB)
│ │ ├── 069_线性回归_基本概念和应用.mp4 (22.80 MB)
│ │ ├── 072_线性回归_一元线性回归解析解.mp4 (48.38 MB)
│ │ ├── 073_线性回归_正规方程法求解.mp4 (39.66 MB)
│ │ ├── 074_线性回归_API调用_截距参数.mp4 (13.07 MB)
│ │ ├── 075_线性回归_梯度下降法.mp4 (39.01 MB)
│ │ ├── 076_线性回归_梯度下降法_手动代码实现.mp4 (64.19 MB)
│ │ ├── 077_线性回归_梯度下降法API_SGDRegressor.mp4 (55.79 MB)
│ │ ├── 080_逻辑回归_损失函数.mp4 (32.46 MB)
│ │ ├── 081_逻辑回归_损失函数的梯度.mp4 (38.64 MB)
│ │ ├── 082_逻辑回归_API介绍.mp4 (31.26 MB)
│ │ ├── 083_逻辑回归案例_心脏病检测.mp4 (26.80 MB)
│ │ ├── 084_逻辑回归_多分类_OVR.mp4 (23.75 MB)
│ │ ├── 085_逻辑回归_多分类_Softmax回归.mp4 (25.66 MB)
│ │ ├── 086_逻辑回归案例_手写数字识别_数据集加载.mp4 (41.65 MB)
│ │ ├── 087_逻辑回归案例_手写数字识别_模型训练和预测.mp4 (24.65 MB)
│ │ ├── 088_感知机_基本原理.mp4 (17.49 MB)
│ │ ├── 089_感知机_表示逻辑门电路.mp4 (22.88 MB)
│ │ ├── 090_感知机_逻辑门代码实现_与门.mp4 (22.14 MB)
│ │ ├── 092_感知机_感知机的局限.mp4 (21.16 MB)
│ │ ├── 093_感知机_多层感知机实现异或门.mp4 (17.15 MB)
│ │ ├── 094_朴素贝叶斯_基本原理.mp4 (47.63 MB)
│ │ ├── 095_朴素贝叶斯_极大似然估计.mp4 (22.00 MB)
│ │ ├── 096_朴素贝叶斯_贝叶斯估计.mp4 (17.45 MB)
│ │ ├── 097_朴素贝叶斯_学习和分类.mp4 (10.41 MB)
│ │ ├── 098_决策树_基本原理.mp4 (25.84 MB)
│ │ ├── 099_决策树_工作过程.mp4 (35.86 MB)
│ │ ├── 102_决策树_信息增益率和C4.5.mp4 (22.31 MB)
│ │ ├── 103_决策树_基尼指数和CART.mp4 (50.95 MB)
│ │ ├── 104_决策树_剪枝.mp4 (18.05 MB)
│ │ ├── 106_SVM_线性可分SVM.mp4 (54.78 MB)
│ │ ├── 107_SVM_线性SVM.mp4 (18.40 MB)
│ │ ├── 108_SVM_非线性SVM.mp4 (20.57 MB)
│ │ ├── 111_集成学习_随机森林.mp4 (18.19 MB)
│ │ ├── 112_无监督学习_聚类_整体介绍.mp4 (15.12 MB)
│ │ ├── 113_无监督学习_聚类_K-means.mp4 (46.18 MB)
│ │ ├── 115_无监督学习_聚类_密度聚类.mp4 (45.43 MB)
│ │ ├── 116_无监督学习_聚类_KMeans代码示例.mp4 (38.92 MB)
│ │ ├── 117_无监督学习_聚类_评价指标.mp4 (56.77 MB)
│ │ ├── 118_无监督学习_降维_SVD基本原理.mp4 (57.82 MB)
│ │ ├── 119_无监督学习_降维_SVD代码调用.mp4 (21.73 MB)
│ │ └── 120_无监督学习_降维_PCA.mp4 (49.83 MB)