雷丰阳 机器学习与深度学习基础
数学地基与建模逻辑 机器学习并非黑盒操作，其核心建立在严谨的数学推导之上。本课程侧重于拆解底层逻辑，从基础数学、概率论到特征建模，逐步构建起对线性回归和逻辑回归的完整理解。它解决的是许多开发者只懂调用库函数，却无法解释模型为何收敛、参数如何更新以及损失函数如何设计的痛点。课程不回避矩阵求导、方差标准差、全概率公式等概念，而是通过具体案例（如导弹命中概率、联…
机器学习并非黑盒操作，其核心建立在严谨的数学推导之上。本课程侧重于拆解底层逻辑，从基础数学、概率论到特征建模，逐步构建起对线性回归和逻辑回归的完整理解。它解决的是许多开发者只懂调用库函数，却无法解释模型为何收敛、参数如何更新以及损失函数如何设计的痛点。课程不回避矩阵求导、方差标准差、全概率公式等概念，而是通过具体案例（如导弹命中概率、联合概率分布）将抽象的数学符号转化为可计算的工程逻辑。适合具备基本 Python 编程能力，但缺乏统计学背景或线性代数直觉的后端工程师及算法初学者。建议优先攻克“基础数学”与“概率”章节，重点理解向量范数、矩阵计算及其对数似然性在优化过程中的作用，这是后续所有模型训练的基石。
< h2>从回归到分类的工程路径在夯实数学基础后，课程引导读者从最简单的线性回归模型切入，通过特征建模环节展示如何将现实数据映射为多维向量，并计算最优拟合参数。随后深入逻辑回归，演示如何通过 Sigmoid 函数将线性输出转化为概率预测，从而完成从回归任务到分类任务的过渡。这一部分强调代码与数学公式的一一对应关系，而非简单的 API 堆砌。学完此模块，你将能够独立实现一个包含数据预处理、模型训练、梯度下降迭代及评估指标计算的完整流程。更重要的是，你建立起了一套可复用的思维框架：面对新的业务问题，能迅速判断是回归还是分类场景，选择合适的损失函数，并设计相应的特征工程策略，而不是盲目尝试不同的黑盒模型。
< h2>配合源码的实战复盘方法本资料包的价值在于提供可落地的工程参考。建议采取“公式推导-代码复现-调参实验”的三步法进行学习。首先，不要跳过每一天的理论笔记，手动推导关键公式（如梯度下降更新规则）；其次，根据课程逻辑编写独立的最小可行模型，不依赖主流框架的高层封装，直接通过 NumPy 实现核心算法，以验证自己对矩阵运算和概率理解的准确性；最后，利用资料中的案例数据，尝试替换特征、调整学习率，观察收敛速度和准确率的变化。这种对照实践能确保你不仅知道“怎么做”，更清楚“为什么这么做”。最终目标是让你具备独立搭建轻量级机器学习系统的能力，能够在后端服务中嵌入可解释性强的预测模块，为后续深入学习复杂深度学习网络打下坚实的工程与理论双基座。
课程介绍
QQ_1788869342663.png (13.43 KB, 下载次数: 0) 2026-9-8 20:09 上传 1.机器学习入门课 day01 - 基础数学 day02 - 概率 day03 - 特征建模 day04 - 线性回归 day05 - 逻辑回归 day01 - 基础数学\day01 - 基础数学 - 完整版 day02 - 概率\01_上节小复习 day02 - 概率\02_向量范数 day02 - 概率\03_矩阵的概念 day02 - 概率\04_矩阵计算基础知识 day02 - 概率\05_矩阵求导 day02 - 概率\06_方差标准差 day02 - 概率\07_三发导弹命中概率 day02 - 概率\08_概率似然性 day02 - 概率\09_联合概率 day02 - 概率\10_并集概率 day02 - 概率\11_全概率公式 day02 - 概率\12_
课程目录
QQ_1788869342663.png (13.43 KB, 下载次数: 0) 2026-9-8 20:09 上传 1.机器学习入门课 day01 - 基础数学 day02 - 概率 day03 - 特征建模 day04 - 线性回归 day05 - 逻辑回归 day01 - 基础数学\day01 - 基础数学 - 完整版 day02 - 概率\01_上节小复习 day02 - 概率\02_向量范数 day02 - 概率\03_矩阵的概念 day02 - 概率\04_矩阵计算基础知识 day02 - 概率\05_矩阵求导 day02 - 概率\06_方差标准差 day02 - 概率\07_三发导弹命中概率 day02 - 概率\08_概率似然性 day02 - 概率\09_联合概率 day02 - 概率\10_并集概率 day02 - 概率\11_全概率公式 day02 - 概率\12_贝叶斯公式 day02 - 概率\13_机器学习理论介绍 day03 - 特征建模\01_机器学习理论介绍 day03 - 特征建模\02_机器学习简介-数学篇 day03 - 特征建模\03_特征工程 day03 - 特征建模\04_特征工程之过滤法 day03 - 特征建模\05_归一化 day03 - 特征建模\06_归一化意义 day03 - 特征建模\07_标准化 day03 - 特征建模\08_特征转换代码演示 day03 - 特征建模\09_主成分分析 day03 - 特征建模\10_主成分分析PCA代码演示 day03 - 特征建模\11_损失函数 day03 - 特征建模\12_经验误差泛化误差 day03 - 特征建模\13_欠恰过拟合 day04 - 线性回归\day04：线性回归 day05 - 逻辑回归\day05：机器学习入门：逻辑回归 2.深度学习入门课 day01：多层感知机 day02：反向传播机制 day03：卷积神经网络 day04：RNN：循环神经网络 day01：多层感知机\1. 复习：机器学习 - 线性回归模型 day01：多层感知机\2. 复习：机器学习 - 逻辑回归 day01：多层感知机\3. 复习：机器学习 - 分类模型 day01：多层感知机\4. 复习：机器学习 - 数据处理 day01：多层感知机\5. 神经网络： 单层感知机：数学模型 day01：多层感知机\6. 神经网络：单层感知机：门电路模拟&异或问题线性不可分 day01：多层感知机\7. 神经网络：多层感知机：MLP模型&激活函数等 day02：反向传播机制\1. 反向传播：前置符号定义 day02：反向传播机制\2. 反向传播：BP1和BP2公式推导 day02：反向传播机制\3. 反向传播：BP3和BP4公式推导 day02：反向传播机制\4. 反向传播：手动推导传播过程 day02：反向传播机制\5. 反向传播：模型权重文件 day02：反向传播机制\6. PyTorch - 五大核心组件 day02：反向传播机制\7. PyTorch - 训练模型的步骤 day03：卷积神经网络\day03：深度学习_ CNN 卷积神经网络-1 day03：卷积神经网络\day03：深度学习_ CNN 卷积神经网络-2 day04：RNN：循环神经网络\day04 - ResNet、RNN
![[衡天云]爆款云服务器 低至12元/月](/hty.png)