学习问题
任务、样本、特征、标签、假设空间和评价。
大三 · 大三上 · COURSE NOTES
机器学习
从数据、模型、损失、优化和泛化理解监督与无监督学习。
已有原始笔记，待迁移图片Markdown 4 · PDF 30 · 演示文稿 1 · Word 27 · Notebook 1
说明：本页是根据课程主题和常见教学结构整理的公开知识框架，不等同于任课教师的正式教学大纲。原始课件、作业、报告、文件名和提交信息均不公开。
学习目标
- 掌握主要模型的假设与训练方式
- 能正确划分数据并评价泛化
- 通过误差分析改进模型而非只调参数
知识地图
监督学习
线性模型、近邻、树、支持向量机和集成方法。
无监督学习
聚类、降维和表示学习。
训练与泛化
损失、正则化、偏差方差、交叉验证和数据泄漏。
实验方法
基线、消融、超参数、误差分析和可复现性。
建议的笔记整理方式
- 概念卡片：用途、接口、复杂度、适用场景和常见误用。
- 最小代码：保留能独立运行的小例子，不复制整套工程。
- 测试用例：正常、边界、异常输入及期望输出。
- 复盘记录：错误现象、根因、修复和防止回归的方法。
最小复习清单
- [ ] 能不看资料解释“学习问题”的核心问题。
- [ ] 能不看资料解释“监督学习”的核心问题。
- [ ] 能不看资料解释“无监督学习”的核心问题。
- [ ] 能不看资料解释“训练与泛化”的核心问题。
- [ ] 能不看资料解释“实验方法”的核心问题。
本地资料状态
- 文档类型统计：Markdown 4 · PDF 30 · 演示文稿 1 · Word 27 · Notebook 1。
- 统计仅用于判断整理进度；不公开文件名、作者、学号、联系方式、本机路径或作业提交内容。
- 后续只把经过人工复核的概念总结、实验复盘和原创笔记加入本页。