【深度之眼】机器学习工程师(1.97G)

算法数学

课程简介

这门课到底在讲什么，能解决什么问题这套资料的核心聚焦于机器学习工程师的基础建模能力培养。从资料线索可以看出，课程并未停留在概念科普层面，而是深入到了算法的数学推导与代码落地的闭环。它主要解决的是“如何让模型在数据上跑起来并理解其原理”这一核心痛点。内容覆盖了监督学习中的线性回归、逻辑回归、支持向量机（SVM）、决策树与随机森林，以及集成学习中的 AdaB…

已有 0 人浏览发布 2026-10-16 更新 2026-10-16

这门课到底在讲什么，能解决什么问题

这套资料的核心聚焦于机器学习工程师的基础建模能力培养。从资料线索可以看出，课程并未停留在概念科普层面，而是深入到了算法的数学推导与代码落地的闭环。它主要解决的是“如何让模型在数据上跑起来并理解其原理”这一核心痛点。内容覆盖了监督学习中的线性回归、逻辑回归、支持向量机（SVM）、决策树与随机森林，以及集成学习中的 AdaBoost 和 XGBoost；同时也包含了无监督学习中的 K-Means、层次聚类、密度聚类，以及特征工程中的 PCA 降维技术。

对于想要进入算法领域或提升数据科学实战能力的职场人而言，这门课的价值在于补齐了“知其然更知其所以然”的短板。很多初学者只会调用 Sklearn 接口，一旦遇到调参瓶颈或业务场景偏离标准库能力时便无从下手。本课程通过 SMO 算法推导、梯度下降法求解、基尼系数与熵的计算等细节，帮助你建立对底层逻辑的掌控感，从而在面对实际工作中的预测建模、分类风险评估（如垃圾邮件识别、个人信用评分）或聚类分析任务时，能够独立选择合适模型并优化参数。

适合什么基础，建议先看哪几块

这套课程不适合完全没有编程基础或线性代数概念的纯小白。读者至少需要掌握 Python 编程基础，并具备矩阵运算、求导等高中至大学一年级水平的数学知识。如果你已经熟悉 Pandas 处理数据，但缺乏对模型内部机制的理解，这门课非常适合你进行系统化梳理。

建议的学习顺序并非完全线性，但可以遵循以下逻辑：首先攻克线性回归与梯度下降，这是理解所有后续优化算法的基石；接着学习决策树，通过熵和信息增益的计算建立树模型的直觉；然后进入逻辑回归与 SVM，理解分类边界的数学本质；最后通过集成学习（AdaBoost/XGBoost）和聚类算法拓展应用广度。对于急于产出结果的读者，可优先观看线性回归代码实现、决策树代码实现以及 Sklearn 实现 SVM 等章节，快速建立从理论到代码的映射。

学完能独立做什么，资料怎么配合练习

完成核心模块后，你应该能够独立从零开始构建一个完整的机器学习项目流程：从数据预处理、特征工程（如 PCA 降维），到模型选择与训练，再到超参数调优与结果评估。具体场景包括房价预测、信用风险评分、文本分类、图像压缩及用户分群等。

资料包中的视频是主要的学习载体，而代码实现章节是检验理解程度的关键。建议采用“推导先行，代码验证”的策略：先跟随视频理解公式推导过程，再对照代码实现章节，亲手复现关键算法（如梯度下降、决策树划分、SMO 算法）。不要直接复制粘贴代码，而是要尝试修改参数、观察输出变化，甚至尝试用纯 Python 而非 Sklearn 实现核心逻辑，这样才能真正将知识内化为工程能力。

课程目录

📁 【尽快保存避免失效 保存即可观看】
00-夸克网盘免费领1T空间教程（新、老用户均可）.pdf [452.9 KB]
5.02-04-使用梯度下降法求解线性回归问题.mp4 [22.2 MB]
34.04-04-决策树代码实现(2-划分数据集、选择最好的特征).mp4 [25.1 MB]
14.02-13-LASSO回归代码实现.mp4 [13.8 MB]
109.09-08-AdaBoost代码实现.mp4 [19.0 MB]
6.02-05-线性回归代码实现.mp4 [21.5 MB]
119.10-01-01-数据说明.mp4 [21.1 MB]
74.06-14-SMO算法推导过程3.mp4 [7.4 MB]
10.02-09-欠拟合与过拟合.mp4 [10.5 MB]
54.05-08-案例：垃圾邮件识别(1.实现原理).mp4 [9.2 MB]
98.08-04-基于数据矩阵的奇异值分解算法.mp4 [9.7 MB]
121.10-01-03数据预处理与特征工程.mp4 [27.2 MB]
16.02-15-最小二乘法代码实现.mp4 [7.8 MB]
18.02-17-波士顿房价预测(上).mp4 [25.0 MB]
43.04-11-案例：使用决策树进行个人信用风险评估(1.数据集介绍、数据预处理).mp4 [23.0 MB]
52.05-06-朴素贝叶斯如何处理连续型数据.mp4 [7.0 MB]
72.06-14-SMO算法推导过程1.mp4 [12.3 MB]
82.07-02-K-means中距离计算方法.mp4 [9.7 MB]
88.07-07-瀵嗗害鑱氱被.mp4 [11.1 MB]
4.02-03-梯度下降法代码实现.mp4 [11.9 MB]
44.04-11-案例：使用决策树进行个人信用风险评估(2.模型评估指标).mp4 [18.8 MB]
86.07-05-层次聚类举例.mp4 [7.2 MB]
87.07-06-Sklearn实现层次聚类.mp4 [7.4 MB]
68.06-13-1SVM代码实现之简易版(上).mp4 [40.9 MB]
115.09-14-XGBoost代码实现1.mp4 [29.7 MB]
22.03-03-一个示例解释逻辑回归的求解公式.mp4 [10.3 MB]
79.06-16-Sklearn实现SVM4，调参.mp4 [12.1 MB]
30.04-01-决策树简介、熵.mp4 [13.2 MB]
100.08-06-Sklearn实现PCA.mp4 [12.1 MB]
33.04-04-决策树代码实现(1-熵的计算).mp4 [14.1 MB]
66.06-11-非线性支持向量机的目标函数.mp4 [8.2 MB]
46.05-01-贝叶斯决策简介.mp4 [15.0 MB]
65.06-10-非线性支持向量机简介.mp4 [18.8 MB]
101.08-07-案例：PCA实现照片压缩.mp4 [17.1 MB]
7.02-06-线性回归代码实现-做特征归一化.mp4 [23.5 MB]
35.04-04-决策树代码实现(3-类别投票表决).mp4 [8.8 MB]
81.07-01-K-means基本原理及推导.mp4 [8.8 MB]
114.09-13-XGBoost树结构生成.mp4 [9.0 MB]
73.06-14-SMO算法推导过程2.mp4 [12.5 MB]
23.03-04-逻辑回归代码实现(上).mp4 [23.7 MB]
93.07-11-2Sklearn实现高斯混合模型.mp4 [7.9 MB]
26.03-06-逻辑回归实现多分类方法.mp4 [18.9 MB]
123.10-02-01数据说明及不平衡数据的训练集及测试及分割方法.mp4 [19.3 MB]
59.06-04-拉格朗日乘子法求带有不等式约束的极值问题、KKT条件.mp4 [16.4 MB]
105.09-04-Voting代码实现.mp4 [13.4 MB]
42.04-10-Sklearn实现决策树.mp4 [23.9 MB]
70.06-13-2SVM代码实现之改进版.mp4 [23.6 MB]
27.03-07-使用Sklearn实现逻辑回归.mp4 [12.2 MB]
83.07-03-K-means代码实现(1原生代码实现).mp4 [26.7 MB]
92.07-11-1高斯混合模型原生代码实现.mp4 [26.7 MB]
56.06-01-支持向量机简介.mp4 [6.2 MB]
77.06-16-Sklearn实现SVM1.mp4 [9.1 MB]
17.02-16-使用Sklearn实现Ridge，LASSO和ElasticNet.mp4 [16.9 MB]
13.02-12-LASSO回归求解举例说明.mp4 [10.1 MB]
80.06-17-案例：使用SVM完成人脸识别.mp4 [32.3 MB]
106.09-05-Bagging与随机森林及其代码实现.mp4 [24.5 MB]
69.06-13-1SVM代码实现之简易版(下).mp4 [11.7 MB]
50.05-04-朴素贝叶斯代码实现(2.预测过程).mp4 [10.1 MB]
15.02-14-最小二乘法求线性回归.mp4 [15.5 MB]
28.03-08-案例：鸢尾花分类.mp4 [33.4 MB]
89.07-08-Sklearn实现密度聚类.mp4 [5.5 MB]
102.09-01-集成学习介绍.mp4 [4.8 MB]
31.04-02-条件熵及计算举例.mp4 [9.9 MB]
41.04-09-多变量决策树.mp4 [9.0 MB]
2.02-01-线性回归简介、数学符号、假设函数、损失函数、代价函数.mp4 [19.4 MB]
84.07-03-K-means代码实现(2sklearn实现KMeans).mp4 [5.3 MB]
75.06-14-SMO算法推导过程4.mp4 [10.7 MB]
94.07-12-案例：对亚洲足球队进行聚类分析.mp4 [9.8 MB]
125.10-02-03采样之下采样.mp4 [21.1 MB]
24.03-04-逻辑回归代码实现(下).mp4 [20.9 MB]
49.05-04-朴素贝叶斯代码实现(1.训练过程).mp4 [24.0 MB]
53.05-07-Sklearn实现朴素贝叶斯.mp4 [10.6 MB]
60.06-05-目标函数求解(1.对偶问题、先对w、b求极小).mp4 [18.7 MB]
124.10-02-02采样之上采样.mp4 [25.4 MB]
110.09-09-GBDT之提升和提升树概念.mp4 [23.6 MB]
118.09-16-Stacking代码实现.mp4 [8.8 MB]
78.06-16-Sklearn实现SVM2-3，输出常用属性值，使用高斯核.mp4 [13.8 MB]
25.03-05-逻辑回归的正则化.mp4 [14.6 MB]
51.05-05-拉普拉斯修正及代码实现.mp4 [17.2 MB]
40.04-08-决策树处理连续值与缺失值.mp4 [17.0 MB]
19.02-17-波士顿房价预测(下).mp4 [34.9 MB]
67.06-12-SMO算法推导结果.mp4 [16.3 MB]
45.04-11-案例：使用决策树进行个人信用风险评估(3.模型评估，优化).mp4 [13.9 MB]
11.02-10-Ridge回归求解与代码实现.mp4 [17.6 MB]
20.03-01-逻辑回归简介、假设函数、损失函数、成本函数.mp4 [14.7 MB]
96.08-02-协方差矩阵的特征值分解算法.mp4 [10.4 MB]
63.06-08-线性支持向量机的目标函数.mp4 [10.7 MB]
104.09-03-Voting原理.mp4 [6.8 MB]
47.05-02-贝叶斯决策模型.mp4 [8.5 MB]
99.08-05-基于数据矩阵的奇异值分解算法代码实现.mp4 [8.5 MB]