机器学习算法精讲

《机器学习算法精讲》是一门体系完备的机器学习核心课程，共 20 章 82 节（89 段视频 / 32.6 小时），每节均配套视频、精修文字讲义与可运行代码示例。全课算法以纯 Python 标准库手写实现（不依赖 sklearn/numpy），从数学推导到代码落地逐行打通。

课程全面涵盖：

1. 机器学习的数学基础 I：函数、向量、矩阵、特征值分解、SVD、Jacobian/Hessian、凸函数。
2. 机器学习的数学基础 II：概率论基础与常用分布。
3. 机器学习的哲学：模型、应用、过拟合、分类问题。
4. 机器学习的数学基础 III：监督学习、损失函数、梯度下降、牛顿法。
5. 经典机器学习模型 I：有参无参模型、KNN、距离度量、朴素贝叶斯。
6. 经典机器学习模型 II：决策树、信息熵、ID3。
7. 经典机器学习模型 III：CART、Bagging、Boosting、GBDT。
8. 线性模型：最小二乘、线性分类器、极大似然、逻辑回归。
9. 逻辑回归、岭回归、LASSO 与优化。
10. 拉格朗日乘子法与最大间隔。
11. 拉格朗日对偶、支持向量、SVM 计算、线性可分。
12. 统计学习：贝叶斯、隐含变量、EM 算法、琴生不等式。
13. 三硬币模型、GMM、隐马尔可夫模型。
14. 隐马尔可夫模型与 NLP 应用、EM。
15. 统计学习：高维高斯、主题模型、Dirichlet 分布。
16. 无监督学习：k-means、PCA、SVD、Isomap。
17. 聚类、局部线性嵌入、分布式随机邻域嵌入（t-SNE）。
18. 无参模型、高斯过程。
19. 神经网络、反向传播、CNN、RNN。
20. 深度学习回顾、强化学习。

课程与站内数学、统计系列课程构成「数学 → 统计 → 机器学习」完整学习路径，是算法核心收口课。