机器学习助理 — 图解学习指南

一份实用、图解式的学习指南，针对机器学习助理认证。五个模块带你掌握经典机器学习工具包：ML 工作流与监督/非监督划分；主要监督算法；非监督学习与降维；偏差-方差权衡与过拟合及正则化；以及使用正确指标的诚实评估。包含丰富的 Mermaid 图表、算法速查表、数值示例、要点总结和自测题。

Key facts

• Course price: $91 (one-time payment)
• Field: Artificial Intelligence & LLMs
• Prepares for: 机器学习助理
• 5 modules · 15 lessons · about 4 hours of lessons
• Self-paced, online, illustrated lessons

Course outline

1. 机器学习工作流与学习范式 — 端到端的机器学习工作流，以及监督学习与无监督学习的划分如何定义每个项目。
   • 端到端机器学习工作流
   • 监督学习 vs 无监督学习
   • 训练集、验证集和测试集划分
2. 监督学习算法 — 线性回归、逻辑回归、决策树、集成方法（随机森林、梯度提升）、k近邻、支持向量机和朴素贝叶斯。
   • 线性回归与逻辑回归
   • 决策树、随机森林与梯度提升
   • kNN、SVM 与朴素贝叶斯
3. 无监督学习与降维 — 使用k均值和层次方法的聚类，以及使用主成分分析（PCA）的降维。
   • k-Means 聚类
   • 层次聚类
   • PCA与降维
4. 偏差、方差与正则化 — 偏差-方差权衡、诊断过拟合与欠拟合，以及使用L1/L2正则化和交叉验证控制复杂度。
   • 偏差-方差权衡
   • 过拟合、欠拟合与正则化
   • 正确进行交叉验证
5. 评估指标与真实世界陷阱 — 选择合适的指标——准确率、精确率、召回率、F1分数、ROC-AUC、RMSE/MAE——并避免类别不平衡和数据泄露陷阱。
   • 分类指标与混淆矩阵
   • ROC-AUC 与回归指标
   • 类别不平衡与数据泄露