多分类与多标签学习实战：OvR、softmax 与多输出评估
多分类与多标签学习实战：二分类到多分类、OvR/OvO 策略、softmax 与交叉熵、多标签分类（问题转换/链式/原生）、多输出回归、多分类评估指标（macro/micro/weighted）、不均衡多分类、多标签阈值调优、工程落地与常见陷阱。
category
Ml
共 45 篇文章。
模型监控与数据漂移检测：PSI、KS 与概念漂移实战
模型上线后的监控与漂移检测实战：为什么离线评估不够、数据漂移/概念漂移/预测漂移三类漂移、PSI 群体稳定性指数、KS 与 KL 散度、漂移检测的信号源与阈值、反馈回路与重训策略、监控面板与告警、可观测性工程落地、常见陷阱。
机器学习流水线与特征选择实战：Pipeline、SelectKBest 与递归消除
机器学习流水线与特征选择实战：scikit-learn Pipeline 组合、ColumnTransformer 异构数据、特征选择三大类（过滤/包裹/嵌入）、SelectKBest 与统计检验、RFE 递归消除、正则化特征选择、特征选择防泄漏、Pipeline 与交叉验证、生产落地与调试。
梯度下降与优化器实战：SGD、Momentum、Adam 的原理与选择
梯度下降与深度学习优化器实战：梯度下降的直觉与收敛、学习率的角色、SGD 与批大小、Momentum 指数加权、AdaGrad/RMSProp 自适应、Adam 与 AdamW、学习率调度、优化器选择矩阵、优化器的工程实践与调试。
集成学习实战：Bagging、随机森林、梯度提升与 Stacking
集成学习实战全流程：偏差方差视角的集成动机、Bagging 与随机森林、AdaBoost 到 GBDT 的梯度提升思想、XGBoost/LightGBM 工程实践、Stacking 与 Blending 进阶融合、sklearn 端到端实战。
迁移学习实战：预训练模型、特征提取与微调全流程
迁移学习实战：什么是迁移学习、预训练模型生态（ImageNet/HuggingFace）、冻结与微调策略、特征提取 vs 微调的选择、学习率分层、适配层设计、CNN 与 Transformer 迁移、完整微调代码流水线。
计算机视觉入门实战：图像处理与 CNN 图像分类
从零实战计算机视觉：图像数据表示、OpenCV 预处理（缩放/归一化/增强）、CNN 图像分类（PyTorch CIFAR-10）、经典网络（ResNet）、目标检测/分割概览、迁移学习与部署。
深度学习进阶：CNN、RNN、正则化与训练调参实战
从 MLP 走向深度学习的进阶实战：CNN 卷积网络结构、RNN/LSTM 序列建模、Dropout/BatchNorm/数据增强正则化、优化器演进（SGD/Adam）、学习率调度、迁移学习，PyTorch 训练 CIFAR 全流程。
模型部署与 MLOps：ONNX、FastAPI、Docker 与监控
系统覆盖 ML 模型上线：ONNX 导出跨框架、FastAPI 推理服务、Docker 容器化、批处理 vs 在线推理、A/B 测试、模型版本与回滚、监控告警、MLOps 全流程。
模型可解释性实战：特征重要性、SHAP、LIME 与业务落地
模型可解释性实战：全局与局部解释、特征重要性（内置/置换）、PDP 部分依赖图、SHAP 原理与 TreeSHAP、LIME 局部解释、反事实解释、可解释性与业务落地（风控合规/调试/信任）。
机器学习入门：从知识结构全景到实战落地
机器学习是人工智能的核心分支，让计算机从数据中自动发现模式并做出预测。本专题从知识结构全景导航出发，提供零基础到实战落地的完整路径：环境搭建（Python/NumPy/pandas/Jupyter）、监督学习（线性回归/分类算法）、无监督学习（聚类/降维）、特征工程（清洗/构造/编码/选择/防泄漏）、模型评估（交叉验证/偏差方差/调参）、神经网络（PyTorch 实战 MNIST/CIFAR），以及深度学习进阶（CNN/RNN/LSTM）、NLP 与 CV 实战、时间序列预测、推荐系统、模型部署与 MLOps，并延伸到高级模型工程：决策树与树模型（分裂准则/剪枝）、集成学习（Bagging/随机森林/梯度提升/Stacking）、AutoML 与超参自动调优（Optuna/贝叶斯优化）、模型可解释性（SHAP/LIME/PDP）、迁移学习（预训练模型/特征提取/微调）与异常检测（隔离森林/AutoEncoder/不平衡学习），并深入模型工程与前沿方向：梯度下降与优化器（SGD/Momentum/Adam/AdamW/学习率调度）、机器学习流水线与特征选择（Pipeline/ColumnTransformer/SelectKBest/RFE/防泄漏）、模型监控与数据漂移（PSI/KS/概念漂移/重训闭环）、多分类与多标签学习（OvR/softmax/宏微平均/阈值调优）、强化学习入门（MDP/Q-learning/DQN）、模型压缩与推理优化（量化/剪枝/知识蒸馏/低秩分解），帮助从入门到进阶建立完整的机器学习实战能力。并补齐支持向量机与核方法、贝叶斯推断与概率图模型、数据标注质量治理、公平性与偏差缓解、MLOps 全生命周期、高斯过程等进阶议题。
时间序列预测实战：ARIMA、Prophet 与 LSTM
系统覆盖时间序列预测：平稳性检验、ACF/PACF 分析、经典方法（移动平均/指数平滑/ARIMA）、Prophet 自动预测、LSTM 深度学习时序、特征工程与评估（RMSE/MAE）、实战对比。
推荐系统入门实战：协同过滤、矩阵分解与召回排序
系统覆盖推荐系统全流程：User-Item 矩阵、相似度计算、协同过滤（User/Item-based）、矩阵分解（SVD/ALS）、基于内容的推荐、召回-粗排-精排架构、评估指标（准确率/召回率/NDCG）与冷启动问题。
异常检测实战：统计方法、隔离森林、AutoEncoder 与不平衡学习
异常检测与不平衡学习实战：异常检测问题定义、统计方法（Z-score/IQR/MAD）、无监督方法（隔离森林/OneClassSVM/LocalOutlierFactor）、深度学习（AutoEncoder 重构误差）、类别不平衡处理（重采样/代价敏感/阈值）、评估与落地。
决策树与树模型基础：分裂准则、剪枝与可视化
决策树与树模型实战：信息增益/基尼系数分裂准则、CART 树的构建过程、预剪枝与后剪枝、决策边界与可视化、回归树、树模型的优缺点与使用场景、sklearn 端到端实战。
NLP 入门实战：文本向量化、词嵌入与情感分析
从零构建 NLP 实战：文本预处理流水线、Bag-of-Words/TF-IDF 向量化、Word2Vec/GloVe 词嵌入、RNN 与 Transformer 结构、情感分析端到端（scikit-learn + PyTorch）、HuggingFace 生态。
AutoML 与超参自动调优：Optuna、搜索策略与端到端流水线
AutoML 与超参自动调优实战：人工调参的痛点、网格/随机/贝叶斯搜索原理、Optuna 与 TPE 采样、早停与剪枝、并行搜索、特征自动选择、AutoML 工具（AutoGluon/FLAML）、端到端流水线与落地边界。
神经网络入门实战：用 PyTorch 从零构建第一个网络
从神经元与感知机讲起，用 PyTorch 从零构建并训练第一个神经网络：张量与自动求导、前向传播与损失函数、反向传播直觉、优化器与训练循环、评估与预测，最后完整跑通 MNIST 手写数字识别。
监督学习实战（二）：分类算法对比与实战（逻辑回归到随机森林）
用信用卡欺诈检测数据实战分类问题：逻辑回归与 Sigmoid 原理、混淆矩阵与评估指标（准确率/精确率/召回率/F1/AUC）、KNN 与决策树/随机森林对比、类别不平衡处理，以及分类问题的完整调参套路。
监督学习实战（一）：线性回归与回归模型的完整流程
从最小二乘原理出发，用真实房价数据完整走一遍线性回归实战：一元与多元回归、多项式回归与过拟合、正则化（岭回归/Lasso）、模型评估指标（MSE/MAE/R²），并讲解数据标准化与交叉验证，是回归类机器学习问题的入门实战课。