ML for Beginners

Machine Learning for Beginners 是由 Microsoft Azure Cloud Advocates 推出的一门为期 12 周、共 26 课时的课程，全面涵盖了机器学习的基础知识。在这门课程中，你将学习经典机器学习的核心概念，主要通过 Scikit-learn 库进行实践。每节课都配备有课前和课后测验、详细的课程指南、解决方案以及作业，帮助你全面掌握机器学习的要点。

1. 基础理论篇

核心概念

• 机器学习定义：
  用算法教计算机从数据中学习规律（无需显式编程），分为 监督学习（带标签数据，如房价预测）、无监督学习（无标签数据，如客户分群）、强化学习（动态决策，如游戏 AI）。
• 关键术语：
  特征（Feature）、标签（Label）、训练集 / 测试集、过拟合与欠拟合。

学习资源

• 视频课程：
  • 吴恩达《机器学习》（Coursera）：经典入门课，数学推导清晰。
  • Google ML Crash Course（免费）：交互式练习 + 案例驱动。
• 书籍：
  • 《机器学习实战：基于 Scikit-Learn 和 TensorFlow》—— 代码实践导向。
  • 《图解机器学习》—— 视觉化解释复杂概念。

2. 核心算法入门

必学算法

学习工具

• Python 库：
  • Scikit-learn：提供所有经典算法的封装
  • Pandas & NumPy：数据处理必备。
• 环境：
  使用 Google Colab 免安装运行代码。

3. 实践项目

新手友好项目

1. 鸢尾花分类（监督学习）：
   • 目标：根据花瓣尺寸分类鸢尾花品种。
   • 数据集：Scikit-learn 内置load_iris()。
   • 技术栈：KNN 算法 + 交叉验证。
2. 手写数字识别（图像分类）：
   • 数据集：MNIST（包含 0-9 手写数字图片）。
   • 技术栈：逻辑回归或简单神经网络。
3. 客户分群（无监督学习）：
   • 数据集：电商用户购买记录。
   • 技术栈：K-Means 聚类 + 可视化分析。

平台推荐

• Kaggle：参与入门竞赛（如 Titanic 生存预测），学习他人代码。
• 天池大赛（中文）：阿里云旗下数据科学平台。

4. 数学基础

• 重点领域：
  • 线性代数：矩阵运算、向量空间（推荐：3Blue1Brown《线性代数的本质》）。
  • 概率统计：条件概率、贝叶斯定理、均值 / 方差。
  • 微积分：梯度下降法中的导数概念。
• 学习技巧：
  结合代码理解公式，例如用 NumPy 实现梯度计算。

5. 学习计划模板（30 天）