第一部分 机器学习基础1、何谓机器学习？在了解一个新的知识领域的时候，我们往往需要先从认识到该领域的基本概念开始。
何谓机器学习？先说结论：
机器学习(Machine Learning,ML) 是计算机科学的一个分支，旨在通过数据驱动的方法，让计算机系统能够自动从数据中学习规律（模型），并利用这些规律对未知数据进行预测或决策。其核心在于通过算法优化模型的性能，使其具备泛化能力，从而解决实际问题。
这个理解是站在计算机科学的角度，从算法和模型的角度来定义机器学习。
那用一个简单的例子来加以解释：就好比正在处于读书生涯的你，通过在校的学习，掌握了数学、英语、计算机相关等知识，具备了扎实的专业基础，已经具备了一些处理问题的思维方式。【计算机系统从数据中学习规律（模型）】
在毕业以后，你需要将所学到的思维方式运用到工作、科研、工程、管理等工作中。【利用学习到的规律对未知数据进行预测或决策】
在工作中解决你本专业领域内问题的时候，是否能够游刃有余还是拖泥带水，更多地取决于你的知识背景和思维方式。也就是“泛化能力”【通过算法优化模型的性能，使其具备更好的泛化能力】
总的来说，机器学习使用计 ...
机器学习系列二：深入浅出线性回归（最小二乘法与正则化）欢迎来到“机器学习系列”的第二篇文章！在上一篇中，我们探讨了机器学习的基本概念与分类。今天，我们将正式踏入算法的殿堂，从最经典、最基础，也是应用最广泛的算法之一开始——线性回归（Linear Regression）。
无论是预测房价、分析销售趋势，还是评估风险，线性回归都扮演着举足轻重的角色。本文将带你扒开公式的外衣，深入理解线性回归的核心：最小二乘法，并探讨如何通过正则化技术来让模型变得更稳健。
1. 什么是线性回归？简单来说，线性回归就是在寻找一条“最佳的直线（或超平面）”，让它能够尽可能地拟合数据点，从而反映出自变量（特征 $x$）和因变量（目标值 $y$）之间的线性关系。
假设我们有 $n$ 个特征，线性回归的预测模型可以表示为：
$$h_\theta(x) = \theta_0 + \theta_1 x_1 + \theta_2 x_2 + … + \theta_n x_n$$
为了书写方便，我们通常引入 $x_0 = 1$，将其转化为向量内积的形式：
$$h_\theta(x) = \th ...
机器学习系列三：逻辑回归（分类的利器，Sigmoid 与交叉熵）欢迎回到“机器学习系列”！在上一篇文章中，我们学习了如何用线性回归来预测连续的数值（比如房价、销售额）。但是，如果我们要解决的问题不是预测具体的数值，而是做选择题呢？
比如：这封邮件是“垃圾邮件”还是“正常邮件”？这个肿瘤是“恶性”还是“良性”？图片里的是“猫”还是“狗”？
这类问题在机器学习中被称为分类（Classification）问题。今天，我们将介绍分类领域中最基础、最经典的算法——逻辑回归（Logistic Regression）。
💡 避坑指南： 虽然它的名字里带有“回归”二字，但逻辑回归是一个彻头彻尾的分类算法，最常用于解决二分类问题（是或否）。
1. 为什么不能直接用线性回归做分类？你可能会想：既然是二分类（0 或 1），我能不能直接用线性回归拟合一条直线，然后设定一个阈值（比如 0.5）？大于 0.5 的预测为 1，小于 0.5 的预测为 0？
在某些极其理想的情况下，这似乎可行。但线性回归在分类任务上有两个致命缺陷：
对异常值极其敏感：如果数据集中突然出现一个极端的样本点，线性回归的直线会被严 ...
机器学习系列四：打破线性束缚——多项式回归与特征工程欢迎来到“机器学习系列”的第四篇文章！在前面的文章中，我们学习了线性回归（预测连续数值）和逻辑回归（解决二分类问题）。你可能会发现，无论是拟合一条直线，还是画出一条笔直的分类决策边界，我们都在处理“线性”关系。
但在真实的物理世界和商业场景中，数据往往不会乖乖地排成一条直线。如果数据呈现出弯曲的 U 型、S 型或更复杂的波浪形，我们手中的线性模型是不是就彻底失效了？
并非如此！今天，我们将学习一种极其巧妙的“欺骗”模型的方法——特征工程（Feature Engineering），并借此引出我们对付非线性数据的利器：多项式回归（Polynomial Regression）。
1. 现实世界的痛点：非线性关系想象一下我们在预测某款手机电池的寿命（因变量 $y$）与充电次数（自变量 $x$）之间的关系。在最初的几百次充电中，电池寿命可能下降得很慢；但一旦超过某个临界点，寿命可能会呈现断崖式下跌。
如果我们在散点图上把这些数据画出来，它绝对不是一条直线，而是一条向下弯曲的曲线。这时候，如果我们强行用 $h_\theta(x) = ...
机器学习系列五：是骡子是马？如何科学评估分类模型（混淆矩阵、准确率、召回率与 ROC 曲线）欢迎来到“机器学习系列”的第五篇文章！在前面的系列中，我们已经掌握了如何用逻辑回归来解决二分类问题（比如判断邮件是否为垃圾邮件）。
现在，假设你辛辛苦苦训练好了一个分类模型，并在测试集上跑出了一个结果。这时候老板走过来问：“你的模型效果怎么样？”
如果你只回答：“我的模型准确率高达 99%！”——那么你可能要小心了，因为在机器学习的世界里，“准确率”往往是一个极具欺骗性的陷阱。
今天，我们就来聊聊如何科学、全面地评估一个分类模型。我们将深入了解混淆矩阵，理清精确率与召回率的爱恨情仇，并学会看懂那条高端大气的 ROC 曲线。
1. 准确率（Accuracy）的致命陷阱准确率（Accuracy） 是我们最直觉的评估指标：预测对的样本数 / 总样本数。
听起来很完美对吧？但在处理数据不平衡（Imbalanced Data）的情况下，准确率会彻底失效。
举个极端的例子： 假设我们在做罕见病筛查，1000 个病人中只有 1 个人真正患病（正类），999 个人是健康的（负类）。如果我写一个极其“ ...
机器学习系列六：打破线性束缚——深入理解决策树与随机森林欢迎来到“机器学习系列”的第六篇文章！在前面的文章中，我们学习了线性回归和逻辑回归。它们非常优雅，但都有一个共同的局限性：它们本质上都是在画“直线（或超平面）”。
如果数据像太极图一样互相嵌套，或者特征之间的关系非常复杂，一条直线根本切不开怎么办？今天，我们将彻底打破线性的束缚，向你介绍一种不仅极其强大，而且非常符合人类直觉的算法模型——决策树（Decision Tree），以及它的进阶完全体——随机森林（Random Forest）。
1. 什么是决策树？（像人类一样做决定）如果你玩过“猜猜看（20个问题）”的游戏，你就已经掌握了决策树的精髓。
假设你要判断今天是否适合去打网球。你不会去算一个复杂的线性公式，而是会在脑海中走一个流程图：
今天天气怎么样？（晴天 / 阴天 / 雨天）
如果是晴天，紫外线强不强？（强 -> 不去；弱 -> 去）
如果是雨天，风大不大？（大 -> 不去；小 -> 去）
决策树本质上就是一个由“节点”和“分支”组成的树状结构。 * 根节点与内部节点：代表 ...
灵魂的荒园与重生的地标：《我与地坛》
“十五年前的一个下午，我摇着轮椅进入园中，它为一个失魂落魄的人把一切都准备好了。那时，太阳循着亘古不变的路途正越来越大，也越红。在满园弥漫的沉静光芒中，一个人更容易看到时间，并看见自己的身影。”
如果说《务虚笔记》是史铁生在思想迷宫里的长途跋涉，那么《我与地坛》便是他一切哲思与救赎的起点。在双腿骤然瘫痪、生命跌入绝对谷底的至暗时刻，二十多岁的史铁生摇着轮椅，撞进了这座历经四百年沧桑的皇家废园。这篇散文不仅仅是对一座园子的白描，更是一个绝望的灵魂在生死边缘的剥茧抽丝，是对母爱最深沉的忏悔，也是对命运最雄浑的交响。
一、地坛：一座荒园的救赎密码四百年的地坛，琉璃剥落，古柏苍幽。当史铁生的轮椅碾过石径时，这座被时光遗忘的园子成了他精神的避难所。地坛的荒芜与他不期而遇的残疾形成了一种镜像般的共鸣，那些被风雨侵蚀的砖瓦、颓垣断壁，恰似作者当时破碎的生命图景。
但在万物萧条之中，史铁生却在坍圮的墙垣间发现了另一种狂热的生机：蚂蚁的疾行、蜂儿的悬停、瓢虫的升空、露珠坠地的金光。这些被常人忽略的微观世界，构成了命运绝境中的宇宙。荒园不荒，它用大自然最原 ...
生命的拷问与爱的轮回 > “那只白色的鸟，盘旋在雨中，或在雨之上，飞得像时间一样均匀和悠久。”这本书写的是一个人在面对自我与世界的种种矛盾时，如何探索、思考、寻找出路。书中蕴含了哲学、思考、爱情、生死、选择等主题，通过人物命运的描写、生活的意义、过去的反思、情感的纠葛以及社会的变迁，构成了一个引人深思的故事。《务虚笔记》是轮椅上的史铁生的首部长篇小说，也是他半自传式的作品。作家通过这部作品，将读者带入对生命哀艳与无常的凝望，体味历史的丰饶与短暂。这部小说语言优美凝练，情感真挚厚重，既发人深省又易于阅读，处处流露着一种对人世沧桑的如泣如诉、似忧似怨的伤感与领悟。
人物关系：命运的代号与交织书中叙述了上世纪50年代以来社会的剧变对几位人物的影响：残疾人C、画家Z、女教师O、诗人L、医生F、女导演N等。这些人物的名字仅用字母代替，在作者看来，名字不过是命运的代号，不同的字母象征着不同的命运轨迹，却又在名为“生活”的网中紧密交织。
画家Z 画家Z曾追求女教师O，但因O的父母反对而被迫分开，这导致他性格孤僻。Z终生画着一只象征冷酷孤傲的羽毛，并在追求高贵的信念中与O的观念不 ...
HTMLHTML 超文本标记语言
超文本：链接
标记：标签，带尖括号的文本<>
标签结构
标签要成对出现，中间包裹内容
<>里面放英文字母（标签名）
结束标签比开始标签多 /
标签分类：双标签和单标签
HTML骨架
html：整个网页
head：网页头部，用来存放给浏览器看的信息，例如 CSS
title：网页标签栏标题
body：网页主体，用来存放给用户看的信息，例如图片、文字
快速生成骨架：！+回车
注释在 VS Code 中，添加 / 删除注释的快捷键：Ctrl + /
标题标签123456<h1>一级标题</h1><h2>二级标题</h2><h3>三级标题</h3><h4>四级标题</h4><h5>五级标题</h5><h6>六级标题</h6>
注意：
一级标题在一个网页中只能用一次，用来放新闻标题或网页的 logo
独占一行（换行）
段落标签1<p>段落 ...
