推荐系统入门实战：协同过滤、矩阵分解与召回排序
系统覆盖推荐系统全流程：User-Item 矩阵、相似度计算、协同过滤（User/Item-based）、矩阵分解（SVD/ALS）、基于内容的推荐、召回-粗排-精排架构、评估指标（准确率/召回率/NDCG）与冷启动问题。
category
Ml
共 33 篇文章。
异常检测实战：统计方法、隔离森林、AutoEncoder 与不平衡学习
异常检测与不平衡学习实战：异常检测问题定义、统计方法（Z-score/IQR/MAD）、无监督方法（隔离森林/OneClassSVM/LocalOutlierFactor）、深度学习（AutoEncoder 重构误差）、类别不平衡处理（重采样/代价敏感/阈值）、评估与落地。
决策树与树模型基础：分裂准则、剪枝与可视化
决策树与树模型实战：信息增益/基尼系数分裂准则、CART 树的构建过程、预剪枝与后剪枝、决策边界与可视化、回归树、树模型的优缺点与使用场景、sklearn 端到端实战。
NLP 入门实战：文本向量化、词嵌入与情感分析
从零构建 NLP 实战：文本预处理流水线、Bag-of-Words/TF-IDF 向量化、Word2Vec/GloVe 词嵌入、RNN 与 Transformer 结构、情感分析端到端（scikit-learn + PyTorch）、HuggingFace 生态。
AutoML 与超参自动调优：Optuna、搜索策略与端到端流水线
AutoML 与超参自动调优实战：人工调参的痛点、网格/随机/贝叶斯搜索原理、Optuna 与 TPE 采样、早停与剪枝、并行搜索、特征自动选择、AutoML 工具（AutoGluon/FLAML）、端到端流水线与落地边界。
神经网络入门实战：用 PyTorch 从零构建第一个网络
从神经元与感知机讲起，用 PyTorch 从零构建并训练第一个神经网络：张量与自动求导、前向传播与损失函数、反向传播直觉、优化器与训练循环、评估与预测，最后完整跑通 MNIST 手写数字识别。
监督学习实战（二）：分类算法对比与实战（逻辑回归到随机森林）
用信用卡欺诈检测数据实战分类问题：逻辑回归与 Sigmoid 原理、混淆矩阵与评估指标（准确率/精确率/召回率/F1/AUC）、KNN 与决策树/随机森林对比、类别不平衡处理，以及分类问题的完整调参套路。
监督学习实战（一）：线性回归与回归模型的完整流程
从最小二乘原理出发，用真实房价数据完整走一遍线性回归实战：一元与多元回归、多项式回归与过拟合、正则化（岭回归/Lasso）、模型评估指标（MSE/MAE/R²），并讲解数据标准化与交叉验证，是回归类机器学习问题的入门实战课。
特征工程实战：从原始数据到有效特征的完整流程
系统讲解特征工程全流程：数据清洗（缺失值/异常值/重复）、特征构造（数值/类别/文本/时间/组合特征）、编码技巧（独热/目标编码/嵌入）、特征选择（过滤/包裹/嵌入法），以及特征工程在真实业务数据上的完整实战与防泄漏纪律。
模型评估与选择：交叉验证、偏差方差、过拟合与调参实战
系统讲解机器学习模型评估与选择：训练/验证/测试集划分、交叉验证原理、偏差方差权衡与学习曲线、过拟合识别与缓解、网格搜索与随机搜索超参调优、模型对比与最终选型决策。
机器学习开发环境搭建：Python、NumPy、pandas 与 Jupyter 生态实战
手把手搭建机器学习开发环境：Python 虚拟环境、Jupyter 生态、NumPy 数组计算、pandas 数据处理、Matplotlib 可视化与 Scikit-learn 安装，并给出常用命令速查与常见环境坑的解决方案，是零基础开始机器学习的第零课。
无监督学习实战：聚类与降维（K-Means、层次聚类、PCA 与 t-SNE）
用真实客户细分数据实战无监督学习：K-Means 原理与肘部法则选 k、层次聚类与谱系图、DBSCAN 处理不规则簇、PCA 主成分分析与降维可视化、t-SNE/UMAP 高维数据呈现，以及无监督结果的业务落地验证。
机器学习的知识结构
以下是关于机器学习知识结构的详细介绍，包含书籍、课程、社区等资源的有效链接，供参考： 1.基础数学 机器学习依赖于数学基础，主要包括以下领域： - 线性代数 ：矩阵运算、特征值、特征向量、奇异值分解（SVD）等。