机器学习(ML)

手搓经典 ML/DL 算法、剖析 sklearn 源码,建立扎实的模型直觉。

课程介绍

以 Raschka《Machine Learning with PyTorch and Scikit-Learn》为主线,从感知机、线性模型到集成学习、神经网络与 Transformer,不满足于调库——每个算法从零实现、再对照源码,建立“为什么这么设计”的直觉。

学完你能

  • 手搓经典 ML/DL 算法并剖析 sklearn/PyTorch 实现
  • 建立模型假设、评估与调参的判断力
  • 为量化策略与因子建模打好算法地基

与其他课程的关系

参考资料

  • 教材:Sebastian Raschka《Machine Learning with PyTorch and Scikit-Learn》
  • 配套代码:每讲配可运行的真实代码,见下方课程目录

在体系中的位置

量化金融能力(金融线) 量化工程能力(工程线)
⑤　RM · EX ⑤　RD-Agent
④　ER · AM · IR · FR ④　MLflow
③　QF ③　qlib
②　FI · QI · AP ②　ML ←你在这里 · ML4T
①　INV · MB ①　Pandas · OOP4

课程目录

  1. 第 1 讲　什么是机器学习：三种学习类型 · 分类 vs 回归
  2. 第02讲_ML系统路线图与环境
  3. 第03讲_数学直觉与NumPy速成
  4. 第04讲_感知机_从零实现与sklearn剖析
  5. 第05讲_Adaline_梯度下降与SGD
  6. 第06讲_逻辑回归
  7. 第07讲_支持向量机SVM
  8. 第08讲_决策树随机森林与kNN
  9. 第09讲_数据预处理
  10. 第10讲_特征选择与重要性
  11. 第11讲_主成分分析PCA
  12. 第12讲_LDA与核PCA
  13. 第13讲_流水线与交叉验证
  14. 第14讲_调参与评价指标
  15. 第15讲_集成学习
  16. 第16讲_文本情感分析
  17. 第17讲_线性回归
  18. 第18讲_多项式与非线性回归
  19. 第19讲_聚类kmeans层次DBSCAN
  20. 第20讲_多层神经网络从零实现
  21. 第21讲_训练神经网络识别数字
  22. 第22讲_PyTorch入门_张量与自动求导
  23. 第23讲_用torchnn搭建与训练
  24. 第24讲_卷积神经网络CNN
  25. 第25讲_循环神经网络RNN
  26. 第26讲_Transformer与注意力
  27. 第27讲_生成对抗网络GAN
  28. 第28讲_图神经网络GNN
  29. 第29讲_强化学习