机器学习与深度学习基础
这个模块回答一个核心问题：模型到底是怎样从数据里学到规律的？
本模块重点
- 数据、特征、标签
- 监督学习、无监督学习、分类、回归
- 半监督学习、自监督学习、表示学习入口
- 模型、参数、损失函数
- 梯度下降与训练循环
- 学习率、优化器、初始化
- 训练集、验证集、测试集、交叉验证
- 数据泄漏、特征工程、归一化、pipeline
- 过拟合、欠拟合、正则化
- 分类、回归、不均衡数据的评估指标
- 神经网络、激活函数、反向传播
- CNN、BatchNorm、Dropout、迁移学习与图像任务基础
暂定课程
- 什么是机器学习
- 数据、特征与标签
- 分类与回归
- 损失函数：模型错在哪里
- 梯度下降：模型怎样变好
- 数据划分、交叉验证与数据泄漏
- 过拟合、欠拟合与泛化
- 评估指标：accuracy、precision、recall、F1、AUC、MSE
- 神经网络的基本结构
- 反向传播的直觉
- 现代训练常识：优化器、学习率、归一化、正则化
- CNN：为什么适合图像
- 自监督学习和表示学习入口