机器学习
这是一门从建模基本功走向真实系统的机器学习课程，共 18 章。课程从线性代数、线性回归和逻辑回归起步，逐步进入正则化、神经网络、支持向量机、聚类、PCA、异常检测、推荐系统、大规模训练与 OCR。重点不只是算法如何实现，还包括数据怎样划分、指标怎样选择、误差怎样定位、模型怎样上线，以及漂移和故障怎样处理。每个二级小节配有测试题，每章配有中文图解和交互实验，适合希望系统掌握机器学习原理与工程闭环的学习者。
机器学习不是一张算法清单，而是一套从问题定义、数据证据、模型训练到线上决策的完整方法。
这门课程共 18 章，从线性代数、线性回归和逻辑回归出发，逐步讲到正则化、神经网络、支持向量机、聚类、PCA、异常检测、推荐系统、大规模训练与 OCR 系统。课程既推导关键公式，也持续追问三个实践问题：数据是否可靠、评估是否真实、模型是否能够稳定交付。
课程内容覆盖三层能力：
- 建模基础：理解损失函数、梯度、正则化、分类边界与神经网络训练；
- 分析与诊断：掌握数据划分、偏差—方差、误差分析、聚类、降维与异常检测；
- 工程落地：设计推荐系统、分布式训练、漂移监控、日志回放、故障恢复与 OCR 级联流水线。
每个二级小节都配有测试题，每章配有中文图解和可操作的交互实验。学习者可以通过调整参数、观察曲线和复盘失败模式，把公式理解转化为真实的建模判断。
适合具备基础编程能力，希望系统掌握机器学习原理、实验方法和工程闭环的学习者。