Introduction to Machine Learning
本课程面向纳米材料、物理等理工科学生。你将学习怎样把一张数据表变成预测模型,并判断预测是否可信。无需一开始就掌握复杂证明;建议会 Python 变量、循环与函数,了解均值、方差、向量和导数的基本含义。
每讲四步:先问一个具体问题 → 手算一个小例子 → 理解必要公式与代码 → 提交图表和自己的解释。西瓜帮助建立直觉,材料与物理场景帮助理解用途。标为“拓展阅读”的推导可在第二遍学习时再读。
学完能做:整理数据,建立简单基线,用合理方式划分训练和测试,公平比较模型,画误差图,并说明模型在哪些新样品上可能失败。
三个完整实验:模拟材料预测与 PCA、重复测量中的划分陷阱、CPU 上完整训练小网络。均提供完整 Python 脚本与自包含 Notebook;模拟数据不代表真实材料规律。
放映版用于课堂分步讲解,阅读版另有“课后慢读”与任务解读。建议每讲按“直觉与例子 → 核心内容 → 上机与解释”安排;若一讲只有 90 分钟,先完成必学内容,将推导和拓展留作课后阅读。
What is Machine Learning
从「手工规则」到「从数据中学」的范式转变讲起,建立整门课的统一语言, 并用一只「判断好坏」的西瓜把机器学习的基本流程走通。
Linear Regression
机器学习的「Hello World」:从最小二乘的几何直觉出发,理解损失函数与梯度下降, 一路延伸到多元回归与正则化。
Logistic Regression and Classification
从「预测数值」转向「判定类别」,讲清决策边界、交叉熵与 Softmax, 并建立分类问题的一套评估指标。
Model Evaluation and Hyperparameter Tuning
模型好不好、稳不稳,怎么系统地去衡量与改进。这一讲把评估方法、 偏差-方差权衡与超参数搜索串成一条完整的方法链。
Decision Trees and Ensemble Learning
从一棵树到一片森林:用「纹理是否清晰、根蒂是否蜷缩」这样一连串判断 理解决策树如何分类,再用「集成」把多个弱模型组合成强模型。
K-Nearest Neighbors and Naive Bayes
两个「轻量但好用」的经典模型:一个靠距离投票、一个靠概率, 对比它们在速度、假设与适用场景上的差异。
Unsupervised Learning and Dimensionality Reduction
没有标签时怎么办:用聚类把样本分组,用 PCA / t-SNE 把高维数据 压到低维看清结构,以「西瓜自动分组」为主线直击无标签数据探索。
Neural Network Fundamentals
进入深度学习的门槛:从感知机到多层感知机,用直觉讲透反向传播, 并认识激活函数与优化器这两个关键组件。
Deep Learning with PyTorch
动手搭一个真正的网络:完整的训练循环、数据加载与损失可视化, 把前一讲的概念落地成可运行的代码。