动手实战人工智能 AI By Doing#
自序#
我从 2015 年开始了解机器学习，最早从李航教授编写的《统计学习方法》入门，陆陆续续看了很多学习资料。在学习的过程中，我逐渐发现了一些痛点。
例如，很多由大学老师编写的书籍，偏理论研究，对于数学基础要求很高，对于初学者来说很难理解，同时缺少必要的代码实现。而部分由工程师编写的书，偏实践应用，往往只是介绍了一些工具和库的使用，而没有深入的讲解原理。另外，还有很多书籍都是在介绍算法的基础上，给出了一些代码例子，但是往往过程不完整，无法相互对应，理论和代码很割裂，同时读者很难复现。
入门机器学习的过程中，如果你只会调包，而不深入原理，可能连参数的作用都看不懂，更别说调参了。如果你只会理论，而不会实践，可能连最简单的模型都写不出来，学完似乎毫无实际用处。因此，我希望能够帮助你，既能够理解原理，又能够实践应用，学懂、吃透机器学习。
从 2018 年开始，我陆续使用 Jupyter Notebook 来编写这些内容。Jupyter Notebook 能够将文字和代码结合在一起，方便阅读和理解。同时，它也能够将代码和运行结果一起展示，方便读者实践和复现。
动手实战人工智能系列实验教程，希望从监督学习开始，带你入门机器学习和深度学习。我尝试剖析和推导每一个基础算法的原理，将数学过程写出来，同时基于 Python 代码对公式进行实现，做到公式和代码的一一对应。与此同时，我也会利用主流的开源框架重复同样的过程，帮助读者看出手动实现和主流框架实现之间的区别。
本内容默认你已经具备基础 Python 编程能力，同时学习过高等数学、线性代数、概率论等大学本科范围的数学知识。忘记了不用担心，会逐步帮助你记起来。当然，我也提供了《附录一：机器学习数学基础》和《附录二：机器学习常用工具》的内容供你参考。之所以放在附录中，原因是不建议你先复习或者学习这些内容，这会花费较多的时间，让你的耐心消磨殆尽。我建议你在学习的过程中，碰到不懂的地方，再去查阅这些内容。
学习本课程最好的方式是打开电脑动手实践，你也可以通过 Jupyter Notebook 把自己练习的代码和理解记录下来，形成自己的学习笔记。如果你只是浏览阅读，恐收效甚微。
目前，全文合计 97 章（422,605 字），仍在持续更新。希望在 AIGC 风靡的时代，由真人用心制作的内容能够帮助你更好地入门机器学习。
会员#
如果你觉得本教程对你有帮助，可以考虑 支持 Pro 会员计划。当然，这不是强制的，所有内容都是免费的，你可以自由阅读和学习。
许可#
该作品由 huhuhang 创作，采用 署名-非商业性使用-禁止演绎 4.0 国际 许可协议进行许可。
同时，补充规则如下：
🚫 请勿克隆全站内容，建立类似站点；
🚫 请勿整理全站内容，分发成电子书；
🚫 请不要主动帮我「开源」全站内容；
-
🚫 请不要将内容用于商业用途，商业授权请联系
huhuhang@gmail.com;
文章包含大量的公式、代码、自定义样式。我创建该站点是为了读者阅读本教程最佳的体验。不建议你复制转载内容，如果你希望分享本站内容，请直接分享文章的原始链接，这样读者可以看到最新的版本。
目录#
监督学习：回归#
监督学习：分类#
无监督学习：聚类#
无监督学习：关联规则#
机器学习工程：模型部署和推理#
深度学习原理：人工神经网络#
深度学习框架：TensorFlow & PyTorch#
深度学习应用：计算机视觉#
深度学习应用：自然语言处理#
深度学习工程：模型部署和推理#
强化学习基础#
附录：机器学习数学基础#
附录：机器学习常用工具#
讨论#
如果你有任何学习上的疑问，可以在页面最下方评论区留言，和我一起讨论。我会抽空回复你的问题，也欢迎你回答其他人的问题。
任何内容都不可能完美无缺，如果你发现内容错误，笔误，代码错误，可以在评论区指出，我会尽快抽空确认和修正。
致谢#
排序不分先后：
-
感谢 Cloudflare 提供的免费托管和 CDN 加速服务。
-
感谢 whyiug 对“自动微分 Autograd”小节的描述和示例代码进行修正。
-
感谢 阮一峰-科技爱好者周刊（第 295 期） 推荐。
-
感谢 03-18~03-24.老胡的周刊（第135期） 推荐。
贡献#
如果你愿意参与内容的迭代更新和错误修正。请先在 GitHub 上提出新的 issue，并注明可以协助修订。我会确认后邀请你加入内容协作仓库。
推荐#
以下是由作者亲自验证、使用、并推荐的服务。如果你觉得内容对你有帮助，可以通过点击文中的链接注册，支持作者获得推荐奖励。
○ 欢迎分享本文链接到你的社交账号、博客、论坛等。更多的外链会增加搜索引擎对本站收录的权重，从而让更多人看到这些内容。