1-机器学习基础
这是本系列的第 1 讲，主要任务不是直接进入深度学习，而是先把机器学习最基础的学习对象、任务类型和训练评估流程建立起来。对刚接触这一类内容的人来说，这一讲决定了后面看神经网络时能不能真正理解“数据从哪里来、模型在学什么、结果该怎么判断”。
这讲主要讲什么
这一讲的结构比较完整，先讲概念，再讲准备工作，最后落到一个小型实践案例上，适合拿来建立整体框架。
- 机器学习概论：介绍机器学习的定义、发展历程、常见方法谱系，以及典型应用场景与现实挑战。
- 机器学习准备：以鸢尾花分类任务为例说明一个标准监督学习问题是什么样子，并引入数据预处理和特征 工程。
- 机器学习方法：按分类、回归、聚类等常见任务组织不同学习方法，同时补上模型评估这一环。
- 课程实践：用鸢尾花分类把“数据、特征、模型、评估”这一整套流程真正串起来。
适合怎么学
- 把重点放在问题形式上，而不只是算法名字上。先分清输入、标签、特征、训练集、测试集、评价指标这些概念。
- 在看模型评估部分时，尽量把准确率、误差、泛化能力这些词和具体任务联系起来，不要只把它们当定义背下来。
- 最好自己把鸢尾花分类做一遍。哪怕只用最基础的工具，也比只看一遍流程更能建立直觉。