特征工程实战：从原始数据到有效特征的完整流程
系统讲解特征工程全流程：数据清洗（缺失值/异常值/重复）、特征构造（数值/类别/文本/时间/组合特征）、编码技巧（独热/目标编码/嵌入）、特征选择（过滤/包裹/嵌入法），以及特征工程在真实业务数据上的完整实战与防泄漏纪律。
category
Ml
共 45 篇文章。
模型评估与选择：交叉验证、偏差方差、过拟合与调参实战
系统讲解机器学习模型评估与选择：训练/验证/测试集划分、交叉验证原理、偏差方差权衡与学习曲线、过拟合识别与缓解、网格搜索与随机搜索超参调优、模型对比与最终选型决策。
机器学习开发环境搭建：Python、NumPy、pandas 与 Jupyter 生态实战
手把手搭建机器学习开发环境：Python 虚拟环境、Jupyter 生态、NumPy 数组计算、pandas 数据处理、Matplotlib 可视化与 Scikit-learn 安装，并给出常用命令速查与常见环境坑的解决方案，是零基础开始机器学习的第零课。
无监督学习实战：聚类与降维（K-Means、层次聚类、PCA 与 t-SNE）
用真实客户细分数据实战无监督学习：K-Means 原理与肘部法则选 k、层次聚类与谱系图、DBSCAN 处理不规则簇、PCA 主成分分析与降维可视化、t-SNE/UMAP 高维数据呈现，以及无监督结果的业务落地验证。
机器学习的知识结构
以下是关于机器学习知识结构的详细介绍，包含书籍、课程、社区等资源的有效链接，供参考： 1.基础数学 机器学习依赖于数学基础，主要包括以下领域： - 线性代数 ：矩阵运算、特征值、特征向量、奇异值分解（SVD）等。