https://plumephp.com/posts/ml/Recent content in 机器学习入门：从知识结构全景到实战落地 on PlumePHPHugozh-CNMon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-automl-hpo/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-automl-hpo/<h2 id="引言">引言</h2> <p>模型精度的一大半来自<strong>超参调得好</strong>——同样的 XGBoost，调参前后 AUC 可能差 0.05。但人工调参像「猜密码」：试到哪儿算哪儿、难以复现。**AutoML（自动化机器学习）**把「选模型 + 调超参」变成自动搜索问题。本文从网格/随机搜索讲起，落地 Optuna 的贝叶斯优化（TPE），再到 AutoGluon/FLAML 一键自动化，最后讨论「哪些能自动、哪些不能」。</p>https://plumephp.com/ml-nlp-basics/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-nlp-basics/<h2 id="引言">引言</h2> <p>NLP 的核心问题是：<strong>把「人类语言」翻译成「模型能算的向量」</strong>。本文按处理管线走一遍——分词清洗 → 向量化（TF-IDF 起步，Word2Vec 进阶）→ 模型（经典分类器到 Transformer）→ 端到端情感分析实战，最后给 HuggingFace 生态与常见陷阱，让你能独立处理一个文本分类任务。</p>https://plumephp.com/ml-decision-tree/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-decision-tree/<h2 id="引言">引言</h2> <p>决策树是最直观的机器学习模型——「如果年龄 &lt; 30 且月收入 &gt; 1 万，就批准贷款」。它是一连串 if-else 规则的组合，也是随机森林、梯度提升等一切树集成的地基。本文讲清三件事：<strong>树怎么选分裂点</strong>（信息增益/基尼）、<strong>怎么防止过拟合</strong>（预剪枝/后剪枝）、<strong>树模型的边界与实战</strong>。</p>https://plumephp.com/ml-anomaly-detection/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-anomaly-detection/<h2 id="引言">引言</h2> <p>欺诈交易、服务器故障、设备损坏——这些「异常」在数据里只占极小比例，却是最有价值的部分。<strong>异常检测（Anomaly Detection）<strong>的目标不是「分好多数类」，而是</strong>找出少数异常</strong>。它与类别不平衡问题紧密相关：异常极稀少、正负比例悬殊。本文覆盖从统计方法到隔离森林、AutoEncoder 的完整武器库，以及不平衡学习的处理套路与评估指标。</p>https://plumephp.com/ml-recommender-systems/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-recommender-systems/<h2 id="引言">引言</h2> <p>推荐系统是「预测用户会喜欢什么」——电商、视频、新闻、音乐都在用。本文按<strong>工业界真实架构</strong>推进：先建 User-Item 交互矩阵（一切的地基），再讲协同过滤（User/Item 相似度）、矩阵分解（SVD/ALS，隐因子模型）、基于内容的推荐，然后是<strong>召回-粗排-精排</strong>的工程架构与评估指标（准确率/召回率/NDCG），最后攻冷启动与新物品问题。</p>https://plumephp.com/ml-time-series/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-time-series/<h2 id="引言">引言</h2> <p>时间序列预测是「用过去推未来」：销量、流量、温度、股价。与普通回归不同，时序数据有<strong>自相关</strong>（今天影响明天）、<strong>趋势</strong>、<strong>季节性</strong>——需要专门的工具链。本文按「由易到难」推进：先讲平稳性与 ACF/PACF 诊断（所有方法的地基），再给经典统计法（指数平滑/ARIMA）、Facebook Prophet（自动处理趋势/节假日）、LSTM（深度学习），最后对比选型与评估。</p>https://plumephp.com/ml-model-interpretability/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-model-interpretability/<h2 id="引言">引言</h2> <p>黑箱模型上线被拒是常事——风控要解释为什么拒贷、医疗要解释为什么判病、合规要审计逻辑。<strong>可解释性（XAI）<strong>不是学术点缀，而是模型落地的硬要求。本文分两条线：<strong>全局解释</strong>（这个模型整体怎么决策）与</strong>局部解释</strong>（这一个样本为什么被判成这样），重点落地特征重要性、SHAP、LIME 三种主流工具。</p>https://plumephp.com/ml-model-deployment/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-model-deployment/<h2 id="引言">引言</h2> <p>训练出一个好模型只完成了一半——<strong>「能上线、可回滚、看得见」才是生产</strong>。本文讲透模型上线的工程链路：把 PyTorch 模型导出 ONNX（跨框架/硬件）、用 FastAPI 起推理服务、Docker 打包、批处理与在线推理的取舍、A/B 测试与版本管理，最后给监控告警——让 ML 项目从「notebook 里跑通」变成「生产里稳跑」。</p>https://plumephp.com/ml-deep-learning-advanced/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-deep-learning-advanced/<h2 id="引言">引言</h2> <p>入门篇用 PyTorch 搭了第一个 MLP（/ml-neural-networks-basics/）。进阶要解决两个问题：<strong>MLP 处理不了的结构</strong>（图像的空间局部性、序列的时序性）与<strong>深网络的训练困境</strong>（梯度消失、过拟合）。本文先给 CNN 与 RNN 两大家族的结构，再集中解决「怎么把深网络训好」——正则化、优化器、学习率调度、迁移学习，最后用 CIFAR-10 完整跑通。</p>https://plumephp.com/ml-cv-basics/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-cv-basics/<h2 id="引言">引言</h2> <p>计算机视觉（CV）是深度学习落地最广的方向——图像分类、目标检测、分割、OCR。核心管线清晰：<strong>图像变成张量 → CNN 提特征 → 任务头输出</strong>。本文从图像数据的底层表示讲起，用 OpenCV 讲预处理与增强，再完整跑通 PyTorch 的 CIFAR-10 图像分类，最后概览目标检测/分割和迁移学习，让你对 CV 实战有全景认知。</p>https://plumephp.com/ml-transfer-learning/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-transfer-learning/<h2 id="引言">引言</h2> <p>从零训练一个图像分类/文本模型要几千万样本和大量 GPU，而现实中你的数据可能只有几千条。**迁移学习（Transfer Learning）**把「别人在大数据上学到的通用表示」拿过来，用你的小数据做适配——这是 CV 与 NLP 的默认起手式。本文讲清：什么是迁移学习、预训练模型从哪来、冻结与微调的取舍、以及一套可复用的 PyTorch 微调流水线。</p>https://plumephp.com/ml-ensemble-learning/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-ensemble-learning/<h2 id="引言">引言</h2> <p>单个模型（决策树、逻辑回归）常有力不从心的时候：树容易过拟合、线性模型学不动非线性。**集成学习（Ensemble）**把多个「弱模型」组合成一个「强模型」，是几乎所有机器学习竞赛与工业落地的默认武器。本文从偏差-方差视角讲清「为什么集成有效」，再逐步落地 Bagging → 随机森林 → AdaBoost → GBDT → XGBoost/LightGBM → Stacking，全程附 sklearn 可运行代码。</p>https://plumephp.com/ml-unsupervised-clustering/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-unsupervised-clustering/<h2 id="引言">引言</h2> <p>监督学习有「标准答案」（标签），无监督学习没有——它的目标是发现数据内在的结构。两大任务：<strong>聚类</strong>（把样本分成几群）与<strong>降维</strong>（压缩特征但不丢失关键信息）。应用场景遍地都是：客户细分、异常检测、基因分型、推荐系统冷启动、高维可视化。</p>https://plumephp.com/ml-python-environment-setup/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-python-environment-setup/<h2 id="引言">引言</h2> <p>开始机器学习的第一道坎，不是算法，而是「环境装不上」。Python 包之间版本冲突、GPU 驱动缺失、Notebook 启动即崩……这些环境问题劝退了大量入门者。实际上，只要掌握「虚拟环境 + 包管理 + Notebook」这三板斧，环境搭建可以在十分钟内稳定复现。</p>https://plumephp.com/ml-model-evaluation/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-model-evaluation/<h2 id="引言">引言</h2> <p>训练一个模型很容易，但「这个模型到底靠不靠谱、该不该上线」是更难的问题。评估不是跑完 <code>fit()</code> 后打印一个分数就结束——它决定着你的一切后续决策：特征要不要删、超参往哪调、能不能换更强的模型、是不是已经过拟合了。</p>https://plumephp.com/ml-feature-engineering/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-feature-engineering/<h2 id="引言">引言</h2> <p>「模型决定上限，特征决定下限」——同一份数据、同一个算法，特征工程做得好坏可以拉开成倍的差距。很多「调参大师」在竞赛里拼不过「特征专家」，原因就在这。</p>https://plumephp.com/ml-supervised-regression/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-supervised-regression/<h2 id="引言">引言</h2> <p>回归是监督学习里最直观、也最实用的一类问题：给定若干特征（面积、房龄、位置），预测一个连续数值（房价）。线性回归假设「输出是输入的线性组合」，这个简单假设能解决大量真实问题，也是理解更复杂模型（逻辑回归、神经网络）的起点。</p>https://plumephp.com/ml-supervised-classification/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-supervised-classification/<h2 id="引言">引言</h2> <p>分类是监督学习的另一大类：输出不再是连续数值，而是离散类别——垃圾邮件（垃圾/正常）、欺诈交易（欺诈/正常）、肿瘤（良性/恶性）。分类问题的难点不在「训练一个模型」，而在<strong>评估与权衡</strong>：假阳性与假阴性哪个更不能接受？数据严重不平衡时准确率会骗人，怎么办？</p>https://plumephp.com/ml-neural-networks-basics/Sun, 27 Sep 2026 10:00:00 +0800https://plumephp.com/ml-neural-networks-basics/<h2 id="引言">引言</h2> <p>深度学习是机器学习最耀眼的分支，而神经网络是它的地基。很多人畏惧神经网络，是因为被「反向传播」「梯度消失」这些术语吓住。但用现代框架（PyTorch/TensorFlow），<strong>训练一个网络的工程步骤只有四步</strong>：定义模型、定义损失、定义优化器、跑训练循环。剩下的是理解「它在学什么」。</p>https://plumephp.com/machine-learning-knowledge-structure/Tue, 07 Jan 2025 12:04:35 +0800https://plumephp.com/machine-learning-knowledge-structure/<p>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：</p> <h3 id="1-基础数学"><strong>1. 基础数学</strong></h3> <p>机器学习依赖于数学基础，主要包括以下领域：</p> <ul> <li><strong>线性代数</strong>：矩阵运算、特征值、特征向量、奇异值分解（SVD）等。</li> <li><strong>概率论与统计</strong>：概率分布、贝叶斯定理、期望、方差、最大似然估计等。</li> <li><strong>微积分</strong>：梯度、偏导数、链式法则、优化问题等。</li> <li><strong>优化理论</strong>：凸优化、梯度下降、拉格朗日乘数法等。</li> </ul> <p><strong>推荐资源</strong>：</p>