入门基础学习导览：数学与机器学习

AI 不是魔法。它底层是数学和统计学。

你不需要成为数学天才，但你需要理解：

• 线性代数 — 向量、矩阵，是所有 ML 模型的"语言"
• 概率论 — 不确定性、贝叶斯，是 AI 做决策的基础
• 微积分 — 梯度、导数，是模型"学习"的机制

好消息是：你只需要理解概念，不需要手推公式。

AI 基础学习分为三个层次：

数学基础

• 线性代数 → 向量、矩阵
• 概率论 → 分布、贝叶斯
• 微积分 → 导数、梯度

ML 基础

• 监督学习 → 回归、分类
• 无监督学习 → 聚类、降维

进阶内容

• 决策树、SVM、随机森林
• 特征工程、XGBoost

不要一上来就啃数学书！ 正确姿势：

1. 先学 ML 概念— 了解"模型是什么"、"怎么训练"
2. 遇到不懂的数学— 回头补对应概念
3. 用代码验证— 用 scikit-learn 跑一个分类项目

推荐项目： 用 scikit-learn 完成鸢尾花分类或房价预测。这是你的第一个 ML 项目。

如果编程基础为零，建议先花一周学 Python 基础。

本分类共 25 篇文章，以下是我们推荐的系统性学习路径，按阶段分，每阶段内按顺序阅读：

第一阶段：ML 基础入门（8 篇）

1. 机器学习基础：从线性模型到决策树（ml-001）→ 理解 ML 是什么
2. 偏差-方差权衡：过拟合与欠拟合（ml-018）→ 理解模型训练的核心矛盾
3. 模型评估与选择：交叉验证、AUC-ROC（ml-017）→ 学会评估模型好坏
4. 决策树与随机森林实战（ml-002）→ 第一个实用的 ML 算法
5. 随机森林：Bagging 与特征重要性（ml-006）→ 深入理解集成学习
6. KNN：K 近邻算法（ml-012）→ 最简单的分类算法
7. 朴素贝叶斯：概率分类器（ml-004）→ 基于概率的分类方法
8. K-Means：无监督聚类基础（ml-008）→ 第一个无监督算法

第二阶段：ML 进阶（15 篇，选读核心）

• 核心必读：SVM 支持向量机详解（ml-003）、XGBoost 原理与调参指南（ml-005）、特征工程：数据预处理与特征选择（ml-016）
• 深入理解：集成学习：Bagging, Boosting, Stacking（ml-013）、正则化技术：L1, L2, Dropout（ml-019）
• 专项技能：PCA：主成分分析降维（ml-010）、超参数调优（ml-021）、类别不平衡处理（ml-022）

⚡ 速成建议： 如果目标是快速上手 AI 应用，学完第一阶段即可进入深度学习。进阶阶段可以在实践中按需补学。