ESC
输入关键词搜索文章
目录

机器学习 · 课程笔记枢纽

Introduction · 专题说明
机器学习课程笔记枢纽

本枢纽页汇集「课程 / 机器学习」subcategory 下的全部笔记,覆盖机器学习基础概念、损失函数、模型层、激活函数等入门内容,以及高级机器学习课程中的线性模型与核方法、贝叶斯分类与概率图模型、集成学习与随机森林、压缩感知、采样与蒙特卡罗方法、神经网络模型、深度注意力模型等进阶主题。

文章按 sub_id 排序,列表标签页自动生成;卡片标签页按主题模块组织;图谱标签页展示文章间的关联关系。

🧭 知识地图

排序:
基础模块

机器学习入门必备:从基本概念、损失函数设计、模型层组成到激活函数演化,建立完整的模型构建认知。

算法与可视化

经典算法的深入解析与直觉建设:K-Means 聚类的收敛证明、概率图模型的推断方法,以及从第一性原理到可视化的算法全景。

高级机器学习

研究生课程系列:涵盖线性模型与核方法、贝叶斯分类、集成学习、压缩感知、采样与蒙特卡罗方法、神经网络以及深度注意力模型。

文章关系图

18 篇文章 · 52 条连接

🗺️ 研究路径

路径一:从零搭建模型

先读机器学习基础建立整体框架,再依次学习损失函数 → 模型层 → 激活函数,掌握模型构建的每一个组件。最后通过 ML Visualized 巩固直觉。

路径二:高级 ML 课程主线

L01 → L08 顺序通读高级机器学习系列。建议先补概率图模型作为 L03 的前置知识,K-Means 聚类可与 L04 集成学习对照阅读。

路径三:按需查阅

通过上方知识地图的列表图谱标签页,按关键词搜索或沿关联边跳转到感兴趣的专题。