用到的平台：

视频网站链接：【2025版】各式各样神奇的自注意力机制 (Self-attention) 变型_哔哩哔哩_bilibili

课件资源分享：ML 2021 Spring

云平台：根据自己情况选择，都有免费gpu时间

e.g. 课程使用colab+kaggle,提交到kaggle中可能会出现笔记本保存失败的问题

算力不够就多注册一个账号或者使用其他平台

第一节：机器学习介绍

• 机器学习的定义与应用场景
• 监督学习、无监督学习与强化学习的核心区别
• 机器学习任务的基本流程（数据→模型→训练→预测）
• 案例：房价预测的线性回归示例

第二节：回归（Regression）

• 回归问题的数学形式与目标函数
• 损失函数（Loss Function）与梯度下降（Gradient Descent）
• 过拟合（Overfitting）与正则化（Regularization）
• 代码演示：用线性回归预测宝可梦CP值

第三节：误差与梯度下降优化

• 误差来源分析（偏差Bias vs. 方差Variance）
• 模型复杂度与误差的关系（偏差-方差权衡）
• 梯度下降的优化方法（学习率调整、随机梯度下降）
• 特征工程（Feature Engineering）对模型的影响

第四节：分类（Classification）

• 分类问题与回归问题的区别
• 生成模型（Generative Model）与判别模型（Discriminative Model）
• 朴素贝叶斯（Naive Bayes）与逻辑回归（Logistic Regression）
• 案例：基于概率模型的宝可梦分类

第五节：深度学习简介

• 神经网络（Neural Network）的基本结构
• 激活函数（Activation Function）的作用（ReLU、Sigmoid）
• 反向传播（Backpropagation）算法原理
• 深度学习与传统机器学习的优势对比

作业记录：可以链接到github中以及保存到Google云盘里（限15g）

https://drive.google.com/drive/