机器学习
机器学习（ML） 是让计算机从数据中自己找规律的技术——不写死规则，而是"喂"例子让它学。这是 AI 板块的地基，也是理解 LLM、图像识别的前置知识。
五个小节带你从零到一：先建立直觉，再亲手训出第一个模型，最后完成一个房价预测实战小项目。全章代码可直接复制到本地运行，无需深厚数学底子。
章节规划
| 章节 | 内容 | 你会学到 | 状态 |
|---|---|---|---|
| 1. 什么是机器学习 | 和传统编程的区别 | "人写规则" vs "数据教规则"的核心思维转变 | ✅ 已上线 |
| 2. 监督学习入门 | 分类与回归 | 特征与标签、分类 vs 回归、训练集/测试集划分 | ✅ 已上线 |
| 3. 第一个模型 | 用 scikit-learn 训练 | 安装 scikit-learn、鸢尾花分类、K 近邻四步训练法 | ✅ 已上线 |
| 4. 模型评估 | 好坏怎么衡量 | 准确率、过拟合初印象、为什么不能用训练集自己考自己 | ✅ 已上线 |
| 5. 实战：房价预测 | 线性回归完整项目 | 造数据、训练模型、解读系数、给新房估价 | ✅ 已上线 |
适合谁看
- 已学完 Python 基础，懂列表、字典、函数、循环
- 想理解"AI 是怎么学东西的"，而不仅仅是调用 API
- 零数学背景也能入门，公式用大白话替代，代码优先
前置知识清单
在开始本板块前，确认你会：
- Python 的
list、dict、for循环、if判断 -
pip install安装第三方库 - 读懂简单的二维列表（如
[[50, 1, 200], ...]） - （可选）Pandas 基础：读取 CSV、选取列（不强制，思路一样）
常见问题速查
| 问题 | 简短回答 |
|---|---|
| 要学数学吗？ | 入门阶段不需要高等数学，理解"特征→标签"的直觉更重要；进阶再补线性代数与概率 |
| 必须用 scikit-learn 吗？ | 不是，但它是最经典、算法最全、文档最友好的入门库，强烈推荐 |
| 分类和回归怎么选？ | 要预测"是什么类"用分类，要预测"多少"用回归 |
动手建议
- 每章代码都建议本地运行一遍，不要只看不跑
- 遇到
ModuleNotFoundError，先pip install对应的库 - 完成《实战：房价预测》后，试着把数据换成你关心的任何数字预测问题