目录第一部分：思想与基石——万法归宗，筑基问道第1章：初探智慧之境——机器学习世界观1.1 何为学习？从人类学习到机器智能1.2 机器学习的“前世今生”：一部思想与技术的演进史1.3 为何是

目录
第一部分：思想与基石——万法归宗，筑基问道
第1章：初探智慧之境——机器学习世界观
1.1 何为学习？从人类学习到机器智能
1.2 机器学习的“前世今生”：一部思想与技术的演进史
1.3 为何是Python？——数据科学的“通用语”
1.4 破除迷思：AI是“神”还是“器”？
第2章：工欲善其事——Python环境与核心工具链
2.1 “乾坤在握”：Anaconda与Jupyter Notebook的安装与配置
2.2 “数据之舟”：NumPy数值计算基础
2.3 “数据之魂”：Pandas数据分析利器
2.4 “眼见为实”：Matplotlib与Seaborn数据可视化
第3章：数据的心法——预处理与特征工程
3.1 “相数据”：理解你的数据
3.2 “净数据”：数据清洗的修行
3.3 “点石成金”：特征工程的科学与艺术
第4章：模型的罗盘——评估与选择
4.1 “度量衡”：分类、回归与聚类模型的评估指标
4.2 “执其两端而用中”：偏差与方差的权衡
4.3 “他山之石”：交叉验证的智慧
4.4 “寻路”：网格搜索与超参数调优
第二部分：术法万千——主流机器学习模型详解
第5章：监督学习之“判别”——分类算法
5.1 逻辑回归：看似回归，实为分类的智慧
5.2 K-近邻（KNN）：“物以类聚，人以群分”的朴素哲学
5.3 支撑向量机（SVM）：“一划开天”的数学之美
5.4 决策树与随机森林：“集思广益”的集成智慧
5.5 朴素贝叶斯：“执果索因”的概率思维
第6章：监督学习之“预测”——回归算法
6.1 线性回归：从简单到多元，探寻变量间的线性关系
6.2 岭回归与Lasso回归：正则化下的“中庸之道”
6.3 多项式回归：用曲线拟合复杂世界
6.4 回归树与集成回归模型（例如 GBDT, XGBoost）
第7章：无监督学习之“归纳”——聚类与降维
7.1 K-均值聚类（K-Means）：寻找数据中的“引力中心”
7.2 层次聚类：构建数据的“家族谱系”
7.3 DBSCAN：基于密度的“社区发现”
7.4 主成分分析（PCA）：在纷繁中见本质的降维之道
第8章：集成学习——从“三个臭皮匠”到“诸葛亮”
8.1 Bagging思想：随机森林的再思考
8.2 Boosting思想：从AdaBoost到梯度提升树（GBDT）
8.3 Stacking/Blending：模型的“圆桌会议”
8.4 XGBoost与LightGBM：工业界的“大杀器”详解
第9章：神经网络入门——通往深度学习的桥梁
9.1 从生物神经元到感知机模型
9.2 多层感知机（MLP）与反向传播算法
9.3 激活函数：为神经网络注入“灵魂”
9.4 使用Scikit-Learn与Keras/TensorFlow构建你的第一个神经网络
第三部分：登堂入室——高级专题与实战演练
第10章：实战项目一：金融风控——信用卡欺诈检测
10.1 问题定义与数据探索：理解不平衡数据
10.2 特征工程与采样技术（SMOTE）
10.3 模型选择、训练与评估
10.4 解释性分析：模型为何做出这样的决策？ (SHAP/LIME)
第11章：实战项目二：自然语言处理——文本情感分析
11.1 文本数据的预处理：分词、停用词与向量化（TF-IDF, Word2Vec）
11.2 从传统模型到简单神经网络的情感分类
11.3 主题模型（LDA）：挖掘文本背后的隐藏主题
第12章：模型部署与工程化——让模型“活”起来
12.1 模型持久化：序列化与保存
12.2 使用Flask/FastAPI构建API服务
12.3 Docker容器化：为模型打造一个“家”
12.4 MLOps初探：自动化、监控与再训练
第13章：超越经典——未来展望与进阶路径
13.1 深度学习概览：CNN、RNN的世界
13.2 强化学习：与环境交互的智能体
13.3 图神经网络、联邦学习等前沿简介
13.4 “知行合一”：如何持续学习与成长
附录
A. 数学基础回顾（线性代数、微积分、概率论核心概念）
B. 常用工具与库速查手册
C. 术语表（中英对照）
D. 推荐阅读与资源列表
————————————————
版权声明：本文为CSDN博主「莲华君」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Aria_Miazzy/article/details/155701077
————————————————
版权声明：本文为CSDN博主「莲华君」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Aria_Miazzy/article/details/155702100