MZXY出品 人工智能与机器学习

这套《人工智能与机器学习》按三个阶段组织，内容跨度从数学基础一直铺到模型实现。如果你正在找一个能对照代码、跑通实验的参考框架，而不是零散地看讲解视频，它的结构值得先摸清楚再决定怎么用。

三阶段结构：先补数学，再走模型，最后落到实现

课程把内容切成三段，这个切法本身反映了机器学习的依赖关系。第一阶段处理的是概率论、统计学、线性代数和凸优化这类前置知识——它们不是装饰，而是后面推导损失函数、理解梯度下降、判断模型收敛性的直接工具。很多人在看逻辑回归时卡住，问题往往不在代码，而在最大似然估计没吃透。

第二阶段进入经典模型：从线性回归、逻辑回归到支持向量机、决策树与集成方法，再到聚类和降维。这一段是机器学习的主干，也是面试和工程实践中出现频率最高的部分。第三阶段偏向神经网络与深度学习的入门衔接，把前面建立的优化视角延伸到多层结构上。

按阶段走的好处是依赖清晰：前一段没弄明白，后一段的公式和代码就会变成照抄。建议不要跳着看，尤其在凸分析和概率部分多留时间。

涉及的技术栈与可复用模块

从主题看，这套资料落在算法数学分类下，核心不是某个框架的 API 教学，而是把模型背后的数学讲清楚，再配合可运行的实现。你会反复遇到几类可复用的东西：

• 损失函数的构造与求导过程，这是几乎所有监督学习模型的通用骨架；
• 梯度下降及其变体的更新逻辑，可以直接迁移到后续的神经网络训练；
• 数据预处理、特征缩放、训练/验证集划分这些在每个项目里都要重写一遍的环节；
• 模型评估指标，包括准确率、精确率、召回率与交叉验证的取舍。

把这些模块单独抽出来做成自己的工具函数或笔记，比每换一个数据集就重抄一遍要划算得多。

怎么用这套资料对照实践

比较有效的做法是：每看完一个模型的数学推导，就自己用代码从零实现一遍，而不是直接调库。线性回归手写一次正规方程和梯度下降两种解法，逻辑回归手写一次 sigmoid 与对数损失，你对后面所有模型的理解都会不一样。调库放在手写之后，用来验证结果是否一致。

遇到公式推导卡壳时，回到第一阶段的概率与优化内容补课，而不是硬背结论。这套资料的三段结构本来就允许这种回看。

适合谁，以及自习路径建议

它更适合有编程基础、但数学和模型理解还比较零散的人。如果你完全没写过代码，需要先补 Python 和 NumPy 的基本操作；如果你已经做过项目但说不清原理，可以直接从第二阶段切入，遇到不懂的再回第一阶段查。

一条务实的路径是：先过一遍第一阶段的概率与线性代数，建立符号习惯；然后按第二阶段逐个模型推进，每个模型配一份自写实现和一份调库实现；最后用第三阶段的内容把视角过渡到神经网络。全程以能跑、能改、能解释为准，而不是以看完为准。

资料本身是视频形式，但真正的价值在于你愿不愿意把每个模型敲一遍。把它当参照系，而不是播放列表。