AI 学习知识库
Knowledge Base & Mindmap
首页
学习地图
笔记库
实验室
搜索
H
机器学习
4 章节
机器学习基础与工作流
3 篇
10.Matplotlib 与 Seaborn 数据可视化
11.AI 数据与实验工作流规范
12.综合实战：鸢尾花分类小项目
本模块进度
0%
已完成 0 / 4 个章节
查看知识全景图
机器学习
4 章节
机器学习基础与工作流
10.Matplotlib 与 Seaborn 数据可视化
11.AI 数据与实验工作流规范
12.综合实战：鸢尾花分类小项目
本模块进度
0%
已完成 0 / 4 个章节
查看知识全景图
笔记库
/
机器学习
/
01.机器学习问题地图
← 返回知识地图
01.机器学习问题地图
难度: 入门
预计阅读 35 分钟
学习进度 0%
标记为已完成
核心导读
建立机器学习问题视角，掌握何时使用 ML、5 大学习范式对比、7 种任务类型与输出空间、统一 7 字段问题定义框架以及从数据到决策的标准流程。
建立机器学习问题视角，掌握何时使用 ML、5 大学习范式对比、7 种任务类型与输出空间、统一 7 字段问题定义框架以及从数据到决策的标准流程。
用 Python 运行 01.机器学习问题地图
运行
重置
复制
# 定义输入、权重和偏置
x1
=
0.5
x2
=
-
1.2
w1
=
1.0
w2
=
-
0.8
b
=
0.75
# 计算加权和 z
z
=
w1
*
x1
+
w2
*
x2
+
b
print
(
f
"z = {z:.2f}"
)
# 定义输入、权重和偏置 x1 = 0.5 x2 = -1.2 w1 = 1.0 w2 = -0.8 b = 0.75 # 计算加权和 z z = w1 * x1 + w2 * x2 + b print(f"z = {z:.2f}")
展开全部代码 (10 行)
本页目录
1. 问题导入：先界定问题，再选择算法
2. 学习目标
3. 何时适合使用机器学习
3.1 适用与不适用的信号
3.2 四大典型需求案例分析表
4. 统一问题描述框架
4.1 7 字段描述模板
4.2 时间窗口图解与防泄露原则
4.3 代码实战：使用 Pandas 进行 $T_0$ 时间窗口物理防泄露切片
5. 5 大机器学习范式
6. 7 种机器学习任务类型与输出空间
6.1 7 种任务类型对比
7. 核心术语与 Dummy 基线模型对比
7.1 核心术语与演进链条
7.2 动手实战：Dummy 基线 vs 机器学习模型
8. 常见错误排查
9. 检查清单 (Checklist)
10. 自测题
概念与选择题
编程与业务分析题
11. 下一步
12. 参考资料
核心公式符号表
X
特征矩阵 (Feature Matrix)
y
真实目标/标签 (Target / Label)
y
^
=
f
θ
(
X
)
\hat{y} = f_\theta(X)
y
^
=
f
θ
(
X
)
模型预测输出 (Model Prediction)
L
(
y
,
y
^
)
\mathcal{L}(y, \hat{y})
L
(
y
,
y
^
)
损失函数 (Loss Function)
θ
\theta
θ
模型可学习参数 (Parameters)
关联推荐笔记
查看全部
单个人工神经元
神经网络
25 分钟
10.Matplotlib 与 Seaborn 数据可视化
Matplotlib
35 分钟
11.AI 数据与实验工作流规范
实验工作流
40 分钟