#机器学习 · 核心算法专栏

机器学习常见算法理论基础学习笔记

机器学习常见算法学习笔记——从回归到聚类,从 PCA 到 EM,让你真正 听得懂算得清用得上

不再“道理都懂,却写不出代码、推不动公式”——一份可以直接带走的算法基础“私房笔记”。

适合人群:机器学习入门者 算法初学者 数据分析新人 打牢数学 & 代码基础
章节数
19
覆盖监督 / 无监督 / 优化
核心知识点
30+
回归 · 分类 · 聚类 · 降维
学习目标
3
听懂 · 推清 · 用得上

为什么要学? 掌握核心算法、夯实基础、快速上手实战——不管你做算法工程、数据分析还是科研,都离不开这些“底层武功心法”。

专栏知识地图
从 0 到 1 串起常见机器学习算法
理论 × 实战
监督学习:回归 & 分类 线性/逻辑回归 · SVM
概率视角 & 生成模型 高斯判别 · 朴素贝叶斯
无监督 & 聚类 k-means · 高斯混合
降维与表示学习 PCA · 因子分析 · ICA
优化方法 牛顿法 · EM · SMO
决策与控制 MDP · LQR · DDP
学习路径建议:
1)先学监督学习(回归 / 分类) → 2)再理解生成模型 & 概率视角 → 3)配合无监督 & 降维方法 → 4)最后进入 MDP 与控制算法。

这门专栏,适合怎样的你?

看完下面 3 条,如果你中两条,就是为你准备的专栏。

机器学习入门者

【补齐基础 · 建立整体认知】
  • 看过视频课,但对公式推导总是“一知半解”。
  • 面试被问“为什么这么做”时,感觉无从下手。
  • 想有一份结构化、可反复翻的算法纸质/电子笔记。

算法 / 数据分析从业者

【打牢底层功力 · 拓宽方法视野】
  • 工作中常用现成库,想真正理解算法背后的假设与限制。
  • 面对新场景,想快速判断:该用回归?分类?聚类?还是降维?
  • 希望在工作中更自信地做模型选择和结果解释。

科研党 & 竞赛选手

【理论推导 · 论文理解更轻松】
  • 论文里动不动就是似然、对偶、EM、PCA、MDP,想系统补一遍。
  • 希望能自己推导公式、搭模型、写实验,而不是只“调参”。
  • 需要一份算法“词典”,做课题、写毕设随时翻查。

学完这套笔记,你将收获什么?

不只“记住公式”,更要“用得明白”。

三大核心能力

  • 听得懂:用通俗语言讲清每个算法在解决什么问题、做了什么假设。
  • 算得清:给出关键公式推导线索,知道每一步“为什么这么推”。
  • 用得上:结合实际应用场景,告诉你什么时候用、怎么用、有什么坑。

为什么要学这些算法?

  • 掌握核心算法,是进入深度学习、强化学习等高级主题的必经之路
  • 夯实基础,可以让你更自如地阅读论文、调试模型、解释实验结果。
  • 快速上手实战,面对项目需求时,不再只会“照搬 github 代码”。
  • 带着问题学:每章都对应真实业务或竞赛场景,不再是“空对空的理论”。

专栏知识要点 · 一图总览

专栏围绕五大块知识展开,帮你从“零散听说”升级为“成体系掌握”:

回归
线性回归、概率视角、广义线性模型。
分类
逻辑回归、间隔理论、SVM、核方法。
聚类
k-means、高斯混合模型、EM 算法。
降维
PCA、奇异值分解、因子分析、ICA。
优化 & 决策
牛顿法、MDP、LQR、微分动态规划。
这些内容,都会在专栏中以“可翻可查的学习笔记”形式呈现, 适合你:做项目前扫描一遍,面试前突击一遍,平时碎片化时间反复温习。

专栏信息一览

专栏标题:机器学习常见算法理论基础学习笔记

简介:机器学习常见算法学习笔记——从回归到聚类,从 PCA 到 EM,让你真正听得懂、算得清、用得上。

#机器学习 适合人群:机器学习入门者、算法初学者、数据分析新人 知识要点:回归、聚类、分类、降维、优化算法 学习目标:掌握核心算法、夯实基础、快速上手实战

19 讲完整目录 · 从回归到策略搜索

每一讲都是一块“算法积木”,拼起来就是你的机器学习底层能力。

专栏形式:会员专属 · 全部章节可直接阅读
理论推导 公式推演 应用建议
#1
监督学习应用 - 线性回归
会员专属
#2
线性回归的概率解释、局部加权回归、逻辑回归
会员专属
#3
牛顿法、一般线性模型
会员专属
#4
生成学习算法、高斯判别分析、朴素贝叶斯算法
会员专属
#5
事件模型、函数间隔与几何间隔
会员专属
#6
最优间隔分类器、拉格朗日对偶、支持向量机
会员专属
#7
核方法、序列最小优化算法
会员专属
#8
经验风险最小化
会员专属
#9
交叉验证、特征选择
会员专属
#10
贝叶斯统计、机器学习应用建议
会员专属
#11
k-means 算法、高斯混合模型及最大期望算法
会员专属
#12
最大期望算法及其应用、因子分析模型
会员专属
#13
因子分析的 EM 算法、主成分分析
会员专属
#14
PCA 的奇异值分解、独立成分分析
会员专属
#15
马尔可夫决策过程
会员专属
#16
解连续状态的 MDP
会员专属
#17
线性二次调节
会员专属
#18
微分动态规划及线性二次型高斯
会员专属
#19
策略搜索算法
会员专属
现在开始,用 19 讲系统吃透机器学习常见算法

与其到处搜零散资料,不如一次性拿到一套完整的学习笔记。
你可以把它当作:入门书的精华浓缩版 + 课堂板书的高清复刻 + 项目实战的经验总结