創建時間：2025-01-27
首發時間：2025-01-29
最后編輯時間：2025-01-29
作者：Geeker_LStar
你好呀~這里是 Geeker_LStar 的人工智能學習專欄，很高興遇見你~
我是 Geeker_LStar，一名高一學生，熱愛計算機和數學，我們一起加油~！
?(●’?’●) ?
那就讓我們開始吧！
好耶！！（撒花）
這個專欄一歲啦！！從初三寒假寫到高一寒假，它見證了我一年的成長。
一周年之際，也算是完結之際，這篇文章是對整個專欄的介紹~！
關于這個專欄的 2W1H
- What：這個專欄是什么？
- Why：為什么我會寫這個專欄？
- How：如何使用這個專欄？
- Passion Is All You Need.
What：這個專欄是什么？
正如標題中【】框起來的部分，這是一個由高中生寫的機器學習專欄。
這個專欄從 2024.01.29 開始更新，這篇介紹寫于 2025.01.29，恰好是一周年，也恰好是專欄（第一次）完結的時間。
這個專欄的宗旨是 “用最具象的方式講最抽象的東西”。（此處的 “抽象” 有兩層意思啊不是（
專欄中每一篇文章我都寫得很認真，每一篇的思路鏈條都經過了一次次地修改和完善。除了對算法和公式的講解，我也會加入自己在學習這個算法的時候遇到的問題，以及我更多的思考。
我努力把每個算法背后的 motivation 展現出來，在我看來，這是一個算法最核心的東西。理解了 motivation，數學推導也就沒有那么難了。
這是專欄中所有文章的合集：
【機器學習】全系列合集，戳這里！（更新中）
\begin 注意：
序號 3-15 的文章是初三（主要是初三寒假）的時候寫的，可能會出現一些漏洞（理解 & 符號使用 & 公式，等等很多方面），如果覺得有問題歡迎找我!!! 這部分的文章會在后面的一年中進行更多的打磨和修改！
序號 15 往后的文章主要是高一上學期寫的，相對來講會更專業一些~后面也會進行一些打磨！
\end 注意
（噗哈哈哈這個 \begin 和 \end 不是渲染的問題，我就是這么打的））
Why：為什么我會寫這個專欄？
——因為我覺得現有的機器學習資料對初學者太不友好了😭。
“默認” 的數學基礎、堆在一起還缺乏解釋的公式，無處不在的 “顯然” 和 “省略”…
這真的會讓人爆炸的🤯，我初學機器學習的那兩個月幾乎每天都處在這種 “爆炸” 當中。
所以我想寫一點對初學者，對很多和我一樣的初學者友好的東西，說得再直白點就是讓人能看懂的東西。包括但不限于輕松的語言風格，豐富具體的例子，包含詳細解釋的數學推導，等等。
這個想法在當時可以說是一種沖動，這種沖動大約持續了一個月，隨后則成為了一種習慣——在后來的十一個月當中。
That’s all.
接著，我們來說點執行層面的事情（？？？bruh 這個詞為什么這么熟悉）——這個專欄應該怎么看？以什么樣的順序看？每一篇文章有沒有具體需要注意的點？
How：如何使用這個專欄？
好呀~那我們就來聊聊具體應該如何使用這個專欄吧！
首先，在深入學習每一個算法之前，你需要對機器學習的一些基礎知識有一個大致的了解。
嗯…這個專欄的第一、二篇文章一直沒有寫，其實它們就是給 “機器學習概述” 留的位置啦！等我寫好了會放在這里的！
不過其實，雖然現在還沒寫好，但是寫過的一些內容也涵蓋了機器學習的基礎知識，如下啦~
用于參數估計（模型優化）的兩大方法：
12. 似然函數和極大似然估計：原理、應用與代碼實現
15. EM 算法一萬字詳解！一起來學！
一些可以評估模型性能的指標：
6. 分類算法中常用的模型評價指標有哪些？here!
11. 回歸算法中常用的模型評價指標有哪些？here!
確定模型超參數的方法：
7. 交叉驗證是什么？有哪些？怎么實現？來看！
同時，還可以簡單了解一下熵的概念，有助于更好地理解后面具體算法中的內容：
22. 信息論基礎：信息熵、交叉熵、相對熵
okay！把這些看完之后，你對機器學習應該已經有了一個不錯的了解！接下來我們可以進入具體算法的研究了…
先從監督學習開始吧！
不妨讓線性回歸成為第一個算法，這估計是最簡單的一個算法了：
10. 新手向，線性回歸算法原理一篇吃透！
接著我們可以學習一下 KNN，它是最簡單的分類算法：
8. KNN 算法原理 & 實踐一篇講清！
里面 KD-tree 相關的部分如果看不懂可以先跳過。
接下來可以看一看樸素貝葉斯，核心公式只有一個，相對來講是比較簡單的：
5. 從概率到樸素貝葉斯算法，一篇帶你看明白！
嗷，后面的部分會變得稍微難一些。
邏輯回歸是用得很廣的分類模型，公式比前面幾個稍多一些，但難度不大：
14. 手撕公式，一篇帶你理解邏輯回歸！
從邏輯回歸出發，我們可以拓展到更為一般化的最大熵原理：
23. 最大熵模型詳解+推導來啦！解決 why sigmoid！
然后我們來看一個非常經典的分類模型，也是我學的第一個模型——支持向量機：
3. 支持向量機（SVM）一萬字詳解！超全超詳細超易懂！
注意，支持向量機對偶問題那部分很難，可以 jump jump jump()
ok 呀，接下來我們進入樹模型的部分，樹模型是機器學習中很重要的組成部分。
first 是基礎的決策樹，比較直觀，公式不難：
13. 決策樹算法一萬字詳解！一篇帶你看懂！
決策樹之后就是繞不開的集成學習。這里可以先了解一下偏差—方差分解，理解集成學習出現的原因：
24. 從偏差—方差分解到集成學習！包全的！
其中的很多數學細節可以跳過。
然后可以分別學習 Bagging 和 Boosting。建議先學 Bagging，因為數學部分比較簡單：
28. 集成學習之 Bagging & 隨機森林!
然后是 Boosting：
25. AdaBoost 算法詳解+推導來啦！
26. 梯度提升樹 GBDT 超詳細講解!
oh，接下來就是更為進階的主題了——概率圖模型。
概率圖模型可以分為貝葉斯網絡和馬爾可夫網絡兩個部分去學，建議先從貝葉斯網絡開始：
27. 貝葉斯網絡詳解！超！系！統！
這個里面也寫了概率圖模型的介紹。
貝葉斯網絡的一大實例是經典的標注算法隱馬爾可夫模型：
20. 隱馬爾可夫模型好難？看過來！（上篇）
21. 隱馬爾可夫模型好難？看過來！（下篇）
學完貝葉斯網絡，再來看看它的另一半——馬爾可夫網絡：
29. 馬爾可夫隨機場 2w 字詳解！超！系！統！
條件隨機場是馬爾可夫網絡的實例，也是經典的標注算法之一：
30. 理解條件隨機場最清晰的思路！（上篇）
31. 理解條件隨機場最清晰的思路！（下篇）
好耶！！學完這些，基本的監督學習算法你就已經全都 get 到啦！！！
接下來我們進入無監督學習吧！
無監督學習的算法相對少一些。
我們可以先了解一下幾種經典的聚類算法，聚類比較簡單，不涉及太多的數學：
19. 各種經典聚類算法，一篇帶你過完！（上）
接下來我們來學習一個經典的降維算法——主成分分析。
降維算法的數學普遍比較復雜，如果覺得太難，可以適當跳過一些數學推導：
16. 線代小白也能看懂的矩陣奇異值分解！
17. 講人話的主成分分析，它來了！（上篇）
18. 講人話的主成分分析，它來了！（下篇）
無監督學習的基本算法其實也就這兩個啦~
恭喜你！！！如果你看完了以上所有文章，你已經成功入門了機器學習！！
（再次撒花！）
嘿嘿~ 那對這個專欄的介紹就到這里啦~ 歡迎幫我宣傳呀嘿嘿！！祝學習順利！！?~
Passion Is All You Need.
最后，這句話送給你，也送給我。
這篇文章介紹了整個專欄?。
歡迎三連！！一起加油！🎇
——Geeker_LStar
