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学习者打造的系统化机器学习课程，围绕机器学习核心理论、经典算法、模型训练与实际应用展开，同时结合当前大模型技术的发展趋势，帮助学习者建立从传统机器学习到现代AI大模型的完整知识体系。课程适合希望系统学习人工智能基础、掌握机器学习方法，或准备进一步深入深度学习与大模型领域的学习者。

课程首先从机器学习的基本概念入手，帮助学员理解机器学习与人工智能、深度学习之间的关系，认识监督学习、无监督学习等主要学习范式。在此基础上，逐步学习数据预处理、特征工程、训练集与测试集划分、模型训练、模型评估以及参数调优等关键内容，掌握一个完整机器学习项目从数据到模型的基本流程。

在算法部分，课程围绕实际应用中常见的机器学习算法进行学习，包括线性回归、逻辑回归、决策树、随机森林、支持向量机、聚类等内容。通过算法原理结合代码实践的方式，帮助学员理解不同模型的特点、适用场景以及使用方法，不仅知道“如何调用模型”，还能够进一步理解模型背后的基本思想。

课程同时注重数据分析与模型评估能力的培养，通过真实数据案例学习数据清洗、特征处理、异常值处理、特征选择以及模型效果评价等技术，让学习者能够更加完整地掌握机器学习项目开发流程。在实际训练过程中，还将涉及模型过拟合、欠拟合、交叉验证以及超参数优化等重要问题，帮助提升模型开发和调试能力。

结合AI大模型的发展背景，课程进一步帮助学习者建立传统机器学习、深度学习与大语言模型之间的技术认知。通过理解机器学习中的数据、特征、模型和训练思想，为后续学习神经网络、Transformer、预训练模型以及大模型微调等高级技术打下基础。

对于程序员、数据分析师、算法初学者以及希望转型AI领域的学习者而言，《尚硅谷-AI大模型之机器学习》能够帮助系统补齐机器学习基础，形成较为完整的算法思维和实践能力。学完课程后，可以继续深入学习深度学习、计算机视觉、自然语言处理、AIGC以及大模型应用开发，为进入人工智能相关岗位和项目实践做好技术准备。

课程目录：

——/尚硅谷AI大模型之机器学习/
├──4.视频  
|   ├──001_机器学习课程简介.mp4  15.87M
|   ├──002_数学基础_导数的概念和基本公式.mp4  25.29M
|   ├──003_数学基础_基本求导法则.mp4  21.59M
|   ├──004_数学基础_用导数求极值和二阶导数.mp4  46.69M
|   ├──005_数学基础_代码绘制导函数图像.mp4  40.41M
|   ├──006_数学基础_偏导数.mp4  16.73M
|   ├──007_数学基础_方向导数.mp4  25.99M
|   ├──008_数学基础_梯度.mp4  26.29M
|   ├──009_数学基础_标量与向量.mp4  41.60M
|   ├──010_数学基础_向量代码测试.mp4  17.61M
|   ├──011_数学基础_矩阵概念及基本运算.mp4  45.46M
|   ├──012_数学基础_矩阵基本运算代码测试.mp4  42.66M
|   ├──013_数学基础_矩阵的其它运算和张量.mp4  24.49M
|   ├──014_数学基础_矩阵其它运算代码测试.mp4  22.54M
|   ├──015_数学基础_矩阵求导.mp4  51.50M
|   ├──016_数学基础_梯度矩阵.mp4  43.26M
|   ├──017_数学基础_概率的基本概念和计算.mp4  28.92M
|   ├──018_数学基础_概率分布.mp4  31.90M
|   ├──019_数学基础_贝叶斯定理.mp4  35.01M
|   ├──020_数学基础_似然函数和极大似然估计.mp4  44.83M
|   ├──021_机器学习_概述.mp4  27.97M
|   ├──022_机器学习_概念范畴.mp4  10.76M
|   ├──023_机器学习_发展历史.mp4  55.43M
|   ├──024_机器学习_应用领域.mp4  17.95M
|   ├──025_机器学习_基本术语.mp4  28.97M
|   ├──026_机器学习_分类.mp4  32.70M
|   ├──027_机器学习_常见方法.mp4  16.12M
|   ├──028_核心原理_监督学习建模流程.mp4  21.96M
|   ├──029_核心原理_特征工程_整体介绍.mp4  95.34M
|   ├──030_核心原理_特征工程_低方差过滤法.mp4  45.34M
|   ├──031_核心原理_特征工程_相关系数法_Pearson.mp4  55.39M
|   ├──032_核心原理_特征工程_相关系数法_Spearman.mp4  26.33M
|   ├──033_核心原理_特征工程_PCA降维.mp4  84.45M
|   ├──034_核心原理_损失函数.mp4  30.82M
|   ├──035_核心原理_经验误差和泛化误差.mp4  22.21M
|   ├──036_核心原理_欠拟合和过拟合.mp4  62.70M
|   ├──037_核心原理_拟合案例_整体思路.mp4  31.10M
|   ├──038_核心原理_拟合案例_导入模块和生成数据.mp4  33.22M
|   ├──039_核心原理_拟合案例_欠拟合.mp4  40.34M
|   ├──040_核心原理_拟合案例_恰好拟合和过拟合.mp4  30.24M
|   ├──041_核心原理_正则化.mp4  62.33M
|   ├──042_核心原理_正则化案例.mp4  52.90M
|   ├──043_核心原理_交叉验证.mp4  35.60M
|   ├──044_核心原理_模型求解_解析法.mp4  46.03M
|   ├──045_核心原理_模型求解_梯度下降法.mp4  55.79M
|   ├──046_核心原理_模型求解_梯度下降法案例1.mp4  58.45M
|   ├──047_核心原理_模型求解_梯度下降法案例2.mp4  39.78M
|   ├──048_核心原理_模型求解_学习率测试.mp4  20.87M
|   ├──049_核心原理_模型求解_梯度下降法的应用.mp4  39.89M
|   ├──050_核心原理_模型求解_牛顿法和拟牛顿法.mp4  15.11M
|   ├──051_核心原理_回归评价指标.mp4  34.89M
|   ├──052_核心原理_分类评价指标_混淆矩阵.mp4  46.72M
|   ├──053_核心原理_分类评价指标_准确率、精确率、召回率和F1.mp4  51.17M
|   ├──054_核心原理_分类评价指标_评估报告.mp4  15.00M
|   ├──055_核心原理_分类评价综合案例.mp4  29.25M
|   ├──056_核心原理_分类评价指标_ROC曲线.mp4  70.80M
|   ├──057_核心原理_分类评价指标_AUC.mp4  28.51M
|   ├──058_KNN_基本原理.mp4  28.65M
|   ├──059_KNN_分类示例代码.mp4  48.69M
|   ├──060_KNN_回归示例代码.mp4  10.94M
|   ├──061_KNN_常见距离度量方法.mp4  30.83M
|   ├──062_KNN_归一化.mp4  29.64M
|   ├──063_KNN_归一化代码测试.mp4  16.23M
|   ├──064_KNN_标准化.mp4  21.63M
|   ├──065_KNN_心脏病检测案例_数据集加载.mp4  28.31M
|   ├──066_KNN_心脏病检测案例_特征工程.mp4  68.64M
|   ├──067_KNN_心脏病检测案例_模型训练、保存和预测.mp4  25.53M
|   ├──068_KNN_心脏病检测案例_网格搜索和交叉验证.mp4  63.60M
|   ├──069_线性回归_基本概念和应用.mp4  22.80M
|   ├──070_线性回归_API调用.mp4  24.52M
|   ├──071_线性回归_损失函数.mp4  51.73M
|   ├──072_线性回归_一元线性回归解析解.mp4  48.38M
|   ├──073_线性回归_正规方程法求解.mp4  39.66M
|   ├──074_线性回归_API调用_截距参数.mp4  13.07M
|   ├──075_线性回归_梯度下降法.mp4  39.01M
|   ├──076_线性回归_梯度下降法_手动代码实现.mp4  64.19M
|   ├──077_线性回归_梯度下降法API_SGDRegressor.mp4  55.79M
|   ├──078_线性回归_梯度下降法案例_广告效果预测.mp4  47.06M
|   ├──079_逻辑回归_基本原理和应用.mp4  61.30M
|   ├──080_逻辑回归_损失函数.mp4  32.46M
|   ├──081_逻辑回归_损失函数的梯度.mp4  38.64M
|   ├──082_逻辑回归_API介绍.mp4  31.26M
|   ├──083_逻辑回归案例_心脏病检测.mp4  26.80M
|   ├──084_逻辑回归_多分类_OVR.mp4  23.75M
|   ├──085_逻辑回归_多分类_Softmax回归.mp4  25.66M
|   ├──086_逻辑回归案例_手写数字识别_数据集加载.mp4  41.65M
|   ├──087_逻辑回归案例_手写数字识别_模型训练和预测.mp4  24.65M
|   ├──088_感知机_基本原理.mp4  17.49M
|   ├──089_感知机_表示逻辑门电路.mp4  22.88M
|   ├──090_感知机_逻辑门代码实现_与门.mp4  22.14M
|   ├──091_感知机_逻辑门代码实现_与非门和或门.mp4  7.26M
|   ├──092_感知机_感知机的局限.mp4  21.16M
|   ├──093_感知机_多层感知机实现异或门.mp4  17.15M
|   ├──094_朴素贝叶斯_基本原理.mp4  47.63M
|   ├──095_朴素贝叶斯_极大似然估计.mp4  22.00M
|   ├──096_朴素贝叶斯_贝叶斯估计.mp4  17.45M
|   ├──097_朴素贝叶斯_学习和分类.mp4  10.41M
|   ├──098_决策树_基本原理.mp4  25.84M
|   ├──099_决策树_工作过程.mp4  35.86M
|   ├──100_决策树_信息熵和条件熵.mp4  43.29M
|   ├──101_决策树_信息增益和ID3.mp4  36.62M
|   ├──102_决策树_信息增益率和C4.5.mp4  22.31M
|   ├──103_决策树_基尼指数和CART.mp4  50.95M
|   ├──104_决策树_剪枝.mp4  18.05M
|   ├──105_SVM_基本介绍.mp4  13.09M
|   ├──106_SVM_线性可分SVM.mp4  54.78M
|   ├──107_SVM_线性SVM.mp4  18.40M
|   ├──108_SVM_非线性SVM.mp4  20.57M
|   ├──109_集成学习_基本概念和分类.mp4  23.75M
|   ├──110_集成学习_AdaBoost.mp4  31.77M
|   ├──111_集成学习_随机森林.mp4  18.19M
|   ├──112_无监督学习_聚类_整体介绍.mp4  15.12M
|   ├──113_无监督学习_聚类_K-means.mp4  46.18M
|   ├──114_无监督学习_聚类_层次聚类.mp4  10.55M
|   ├──115_无监督学习_聚类_密度聚类.mp4  45.43M
|   ├──116_无监督学习_聚类_KMeans代码示例.mp4  38.92M
|   ├──117_无监督学习_聚类_评价指标.mp4  56.77M
|   ├──118_无监督学习_降维_SVD基本原理.mp4  57.82M
|   ├──119_无监督学习_降维_SVD代码调用.mp4  21.73M
|   ├──120_无监督学习_降维_PCA.mp4  49.83M
|   ├──机器学习.txt  5.19kb
|   └──文件名.bat  0.04kb
├──1.资料&算法图都在笔记中.zip  18.53M
├──2.测试数据.zip  8.59M
└──3.代码.zip  9.44M