# AI模型学习

> AI生成｜2026年10月26日｜codebuddy

一个**面向初学者到进阶者**的机器学习系统学习栏目：每篇讲清一类模型的原理，配一个可直接运行的 Python 实例（数据全部取自 scikit-learn 内置数据集或本地构造，无需联网下载），最后落在「怎么调参、怎么避坑」。

## 学习路线

```text
00 导论：概念与建模流程  ──►  01 线性/逻辑回归（最基础的基线与解释器）
                              │
                              ├──► 02 决策树与集成学习（表格数据的主力选手）
                              ├──► 03 SVM / KNN / 朴素贝叶斯（间隔、距离、概率三条思路）
                              ├──► 04 无监督学习：聚类与降维（没有标签时怎么做）
                              ├──► 05 神经网络与深度学习入门（走向大模型之前的一站）
                              │
                              └──► 06 模型评估、调参与端到端实战（把所有环节串起来）
```

## 文档索引

| 序号 | 文档 | 核心内容 | 关键模型 |
| --- | --- | --- | --- |
| 00 | [机器学习导论与建模流程](./00-机器学习导论与建模流程.md) | 概念框架、偏差方差、七步流程、通用 Pipeline | — |
| 01 | [线性回归与逻辑回归](./01-线性回归与逻辑回归.md) | 最小二乘、正则化、Sigmoid、阈值与 ROC | `LinearRegression` `Ridge` `Lasso` `LogisticRegression` |
| 02 | [决策树与集成学习](./02-决策树与集成学习.md) | 划分准则、剪枝、Bagging、Boosting | `DecisionTree` `RandomForest` `GradientBoosting` |
| 03 | [SVM、KNN 与朴素贝叶斯](./03-SVM-KNN-朴素贝叶斯.md) | 最大间隔、核技巧、距离度量、条件独立 | `SVC` `KNeighbors` `MultinomialNB` |
| 04 | [无监督学习：聚类与降维](./04-无监督学习-聚类与降维.md) | K-Means、DBSCAN、层次聚类、PCA、t-SNE | `KMeans` `DBSCAN` `PCA` |
| 05 | [神经网络与深度学习入门](./05-神经网络与深度学习入门.md) | 前向/反向传播、优化器、CNN/Transformer 概览 | `MLPClassifier` PyTorch CNN |
| 06 | [模型评估、调参与端到端实战](./06-模型评估-调参与端到端实战.md) | 交叉验证、指标选择、防泄漏、自动调参、上线 | `GridSearchCV` `RandomizedSearchCV` `Pipeline` |

每篇统一结构：**一、核心概念 → 二、模型原理 → 三、可运行实例 → 四、常见坑与调参 → 五、小结**。

## 环境准备

```bash
python3 -m pip install -U numpy pandas scikit-learn matplotlib
# 可选（第 05 篇的深度学习示例）：
python3 -m pip install -U torch torchvision
```

> 所有示例基于 scikit-learn ≥ 1.0，核心 API 稳定；`load_*` 系列数据集随库安装，无需联网。

## 阅读建议

- **想快速上手**：先读 00 跑通流程，再看 01、02，这两个足够应付大多数表格数据任务。
- **想理解"为什么"**：重点看每篇的「二、模型原理」和「四、常见坑」。
- **想直接写代码**：直接跳到每篇的「三、可运行实例」，代码均可整段复制运行。