机器学习基础习题集讲解.pptxVIP

机器学习基础

习题集讲解

典型习题拆解·解题思路梳理·常见误区总结

课程导览

01

线性模型基础

从一条直线开始理解机器学习

一元线性回归的假设与目标

把参数估计问题转化为可解析求解的优化问题

梯度下降为什么能收敛

梯度下降是参数优化的主要手段

逻辑回归为何叫“回归”

从预测到分类：决策边界

多分类的两种扩展思路

02

模型评估与选择

会算指标，更要会判断模型好坏

准确率不是万能指标

F1分数与权衡思想

训练集与测试集的划分

过拟合与欠拟合的识别

正则化如何抑制过拟合

03

神经网络入门

把复杂模型拆成可计算的步骤

前馈网络的一次前向传播

激活函数为什么不能省略

反向传播与链式法则

参数更新与优化器选择

04

常见误区与综合演练

避开陷阱，把知识连成体系

致命误区：数据泄漏与重复调参

评估模型不能只看训练集表现，测试集必须封存到最后。

高频误区：指标误用与概念混淆

推导误区：手算梯度易错点

综合演练：一道完整习题拆解

二分类数据集，完成从数据划分、逻辑回归训练到指标评估的完整流程。

从习题到能力：复盘与迁移

学以致用，持续精进

理解原理，比记住答案更重要

把每一道题都当作理解算法的入口