机器学习
机器学习是人工智能的核心分支，通过算法使计算机系统能够从数据中学习并改进性能，而无需明确编程。
📖 核心算法详解
� 集成学习算法
- 决策树与集成学习全解
- 决策树、随机森林原理
- GBDT、XGBoost、LightGBM、CatBoost对比
- 集成学习算法调优
📊 线性与概率模型
- [线性回归、逻辑回归与支持向量机](./机器学习面试笔试知识点-线性回归、逻辑回归(Logistics Regression)和支持向量机(SVM).md)
- 线性模型原理与应用
- 逻辑回归分类算法
- SVM支持向量机详解
🧠 贝叶斯与图模型
- [贝叶斯网络、马尔科夫与主题模型](./机器学习面试笔试知识点-贝叶斯网络(Bayesian Network) 、马尔科夫(Markov) 和主题模型(T M).md)
- 贝叶斯定理与朴素贝叶斯
- 马尔科夫链与隐马尔科夫模型
- 主题模型与概率图模型
🎯 近邻与期望最大化
- K近邻算法与最大期望算法
- KNN算法原理与优化
- EM算法原理与应用
- 混合模型参数估计
🔍 非监督学习算法
- [聚类与降维算法](./机器学习面试笔试知识点之非监督学习-K 均值聚类、高斯混合模型（GMM）、自组织映射神经网络（SOM）.md)
- K均值聚类算法
- 高斯混合模型
- 自组织映射神经网络
📚 特征工程与评估
🛠️ 特征工程实战
- 特征工程与模型评估完整指南
- 特征选择与提取
- 模型评估指标
- 超参数调优方法
- 降维技术详解
🔬 图像处理与数据处理
- 图像数据处理与样本重采样
- 图像数据增强技术
- 样本不均衡处理方法
- 数据集分布一致性检验
🚀 高级机器学习算法
🏆 XGBoost详解
- XGBoost原生接口与Sklearn接口
- XGBoost核心参数解析
- 原生接口与Sklearn接口对比
- 调优实践与案例
🌟 NGBoost概率预测
- [概率预测与分位数回归](./概率预测之NGBoost（Natural Gradient Boosting）回归和分位数（Quantile Regression）回归.md)
- NGBoost自然梯度提升
- 概率分布预测
- 分位数回归技术
� TabNet深度学习
- [TabNet介绍与PyTorch实现](./Tabnet介绍（Decision Manifolds）和PyTorch TabNet之TabNetRegressor.md)
- TabNet核心思想
- Decision Manifolds理论
- PyTorch TabNetRegressor使用
⚙️ 超参数调优
- 网格搜索与贝叶斯优化
- 传统网格搜索
- 贝叶斯优化原理
- Optuna库实战应用
🎯 学习路径
📚 入门阶段
- 了解机器学习基本概念
- 掌握Python编程基础
- 学习NumPy、Pandas、Matplotlib
- 理解统计和概率基础
🛠️ 进阶阶段
- 深入学习各种算法原理
- 掌握Scikit-learn框架
- 实践真实数据集项目
- 学习特征工程和数据预处理
🚀 高级阶段
- 深入深度学习领域
- 研究前沿算法论文
- 参与Kaggle竞赛
- 开发自己的ML项目
🛠️ 工具生态
核心库
- NumPy：科学计算基础
- Pandas：数据处理分析
- Matplotlib：数据可视化
- Scikit-learn：机器学习算法库
深度学习框架
- TensorFlow：Google开源框架
- PyTorch：Facebook开源框架
- Keras：高级神经网络API
- MXNet：高效分布式训练
开发工具
- Jupyter Notebook：交互式开发
- Google Colab：免费GPU资源
- Anaconda：环境管理
- MLflow：实验跟踪
📊 实战项目
🎯 入门项目
- 鸢尾花分类：经典入门项目
- 房价预测：回归问题实践
- 客户流失预测：分类应用
- 手写数字识别：图像处理入门
🚀 进阶项目
- 电影推荐系统：协同过滤
- 情感分析：文本分类
- 人脸识别：计算机视觉
- 股价预测：时间序列分析
📈 职业发展
💼 就业方向
- 机器学习工程师
- 数据科学家
- AI算法工程师
- 数据分析师
🎯 技能要求
- 扎实的数学基础
- 熟练的编程能力
- 丰富的项目经验
- 持续学习能力
在数据中发现规律，让机器学会思考！