教材 《机器学习》
.jpg){kind=link}
建议学习顺序
| 讲次 | 建议先学 | 开始前回顾 | 学完后能够 |
|---|---|---|---|
| 1 机器学习导论 | Python 基础 | 读写表格、函数与向量 | 定义任务、切分数据并选择指标 |
| 2 表征学习 | 第 1 讲 | 矩阵乘法、方差、特征值 | 选择并解释降维方法 |
| 3 贝叶斯分类器 | 第 1 讲 | 条件概率、全概率公式 | 计算后验概率与期望损失 |
| 4 最近邻 | 第 1 讲 | 距离、标准化、交叉验证 | 在预设距离下选择 \(k\) 并诊断维度灾难 |
| 5 线性模型 | 第 1 讲 | 导数、矩阵运算、损失函数 | 训练并解释回归与分类模型 |
| 6 非线性模型 | 第 2、3、4、5 讲 | 类条件密度、先验、协方差、内积、对偶思想 | 比较 QDA、核方法与分段线性方法 |
| 7 集成学习 | 第 4、5 讲 | 决策树、偏差—方差 | 由单树失败解释 Bagging 与 Boosting |
| 8 聚类分析 | 第 2、4 讲 | 距离、缩放、轮廓系数 | 选择聚类方法并验证稳定性 |
| 9 概率图模型 | 第 3 讲 | 条件独立、贝叶斯定理 | 区分观测推断与因果干预 |
| 10 神经网络 | 第 1、5 讲 | 链式法则、梯度下降 | 构建并按时间顺序评估网络 |
| 11 强化学习 | 第 3、10 讲 | 条件期望、神经网络 | 计算 Bellman 更新并区分 DQN/DDQN |
90 分钟建议：课前回顾 5 分钟，核心概念与数值练习 45 分钟，真实数据案例 20 分钟，分步练习和综合练习 15 分钟，总结 5 分钟。
运行案例与获取数据
每份 .qmd 都可以在 Quarto 或 Jupyter 中从上到下运行，不需要先执行其他脚本。每个真实数据代码单元都显式写出公网下载地址和本地 Path(...)；下载后，把该行改为文件在自己设备上的实际位置。也可以保持文件名不变，按代码注释给出的仓库相对路径放入 data/stock/ 或 data/index/。具体字段、HDF key、样本时期和单位会在相应案例中说明。
公开数据的逐文件下载链接见课程仓库说明。这些链接、文件名与课件使用的目录结构对作者和读者完全相同。
PPT
No matching items