机器学习100天

第1天：数据预处理

开始机器学习的第一步是数据预处理。了解如何处理缺失数据、编码分类变量、特征缩放以及数据集的划分。

第2天：简单线性回归

学习简单线性回归的基本概念，如何通过最小二乘法拟合数据，并理解回归系数的含义。

第3天：多元线性回归

扩展线性回归到多个自变量，理解多元线性回归的模型构建和参数估计。

第4天：逻辑回归

初步接触逻辑回归，了解其用于分类问题的基本原理。

第5天：逻辑回归的数学基础

深入研究逻辑回归的数学原理，包括代价函数的计算和梯度下降法的应用。

第6天：逻辑回归实践

通过实际案例进一步理解逻辑回归的应用，并尝试编写相关代码。

第7天：K近邻法（k-NN）

学习K近邻法的基本概念，理解其如何通过距离度量进行分类。

第8天：逻辑回归的数学细节

通过阅读相关资源，进一步理解逻辑回归的数学细节，特别是损失函数和优化过程。

第9天：支持向量机（SVM）

了解支持向量机的基本原理，理解其如何通过寻找最优超平面进行分类。

第10天：SVM与k-NN

比较支持向量机和K近邻法的优缺点，理解它们在不同场景下的应用。

第11天：K近邻法实践

通过实际案例进一步理解K近邻法的应用，并尝试编写相关代码。

第12天：支持向量机实践

通过实际案例进一步理解支持向量机的应用，并尝试编写相关代码。

第13天：支持向量机实现

使用Scikit-Learn库实现支持向量机，理解其在实际应用中的表现。

第14天：SVM与核技巧

学习支持向量机中的核技巧，理解其如何通过映射到高维空间来解决非线性问题。

第15天：朴素贝叶斯分类器与黑盒机器学习

学习朴素贝叶斯分类器的基本原理，并开始了解黑盒机器学习的概念。

第16天：SVM与核技巧实现

使用Scikit-Learn库实现支持向量机及其核函数，理解其在高维空间中的应用。

第17天：深度学习入门

开始在Coursera上学习深度学习专业课程，完成前两周的内容，并理解逻辑回归神经网络的基本原理。

第18天：深度学习实践

完成Coursera深度学习课程的第一部分，并尝试用Python实现一个简单的神经网络。

第19天：Yaser Abu-Mostafa教授的机器学习课程

开始学习Yaser Abu-Mostafa教授的Caltech机器学习课程，理解感知器算法的基本原理。

第20天：深度学习进阶

完成深度学习专业课程的第二部分，学习如何改进深度神经网络的性能，包括参数调整、正则化和优化。

第21天：网页爬虫

学习如何使用Beautiful Soup进行网页爬虫，收集数据用于模型构建。

第22天：机器学习理论

完成Yaser Abu-Mostafa教授的Caltech机器学习课程的第二部分，学习Hoeffding不等式及其在机器学习中的应用。

第23天：决策树

学习决策树的基本原理，理解其如何通过递归分割数据进行分类。

第24天：统计学习理论

了解统计学习理论的基本概念，包括输入空间、动作空间、结果空间、预测函数、损失函数和假设空间。

第25天：决策树实践

通过实际案例进一步理解决策树的应用，并尝试编写相关代码。

第26天：线性代数复习

开始复习线性代数，通过3Blue1Brown的视频理解向量、线性组合、跨度、基向量、线性变换和矩阵乘法。

第27天：线性代数进阶

继续学习线性代数，理解三维变换、行列式、逆矩阵、列空间、零空间和非方矩阵。

第28天：线性代数应用

进一步学习线性代数中的点积和叉积，理解其在机器学习中的应用。

第29天：线性代数总结

完成线性代数的复习，理解特征向量和特征值，以及抽象向量空间的概念。

第30天：微积分入门

开始学习微积分，理解导数、链式法则、乘积法则和指数导数的基本概念。

第31天：微积分进阶

继续学习微积分，理解隐函数求导和极限的概念。

第32天：微积分总结

完成微积分的学习，理解积分和高阶导数的基本概念。

第33天：随机森林

学习随机森林的基本原理，理解其如何通过集成多个决策树进行分类。

第34天：随机森林实践

通过实际案例进一步理解随机森林的应用，并尝试编写相关代码。

第35天：神经网络入门

通过3Blue1Brown的视频理解神经网络的基本概念，特别是其如何通过多层感知器进行分类。

第36天：梯度下降法

学习梯度下降法的基本原理，理解其如何通过迭代优化神经网络的参数。

第37天：反向传播法

了解反向传播法的基本原理，理解其如何通过计算偏导数来更新神经网络的参数。

第38天：反向传播法实践

通过实际案例进一步理解反向传播法的应用，并尝试编写相关代码。

第39天：深度学习基础

开始学习深度学习的基础知识，包括Python、TensorFlow和Keras的基本使用。

第40天：深度学习进阶

继续学习深度学习的基础知识，理解如何构建和训练深度神经网络。

第41天：深度学习实践

通过实际案例进一步理解深度学习的应用，并尝试编写相关代码。

第42天：深度学习总结

完成深度学习的基础学习，理解如何通过TensorFlow和Keras构建复杂的神经网络模型。

第43天：K-均值聚类

开始学习无监督学习中的聚类算法，理解K-均值聚类的基本原理。

第44天：K-均值聚类实践

通过实际案例进一步理解K-均值聚类的应用，并尝试编写相关代码。

第45天：Numpy深入学习

开始学习Numpy库，理解其在数据科学中的基本应用，特别是数组操作和数值计算。