🤖 机器学习 30 天 Bootcamp

从零基础到实战，系统掌握机器学习和深度学习

🎯 课程定位

这是一门面向零基础或有一定编程基础的学习者的实战课程。 我们专注于从理论到实践，从算法到应用，让你在 30 天内建立完整的机器学习知识体系。 每天 20 分钟，通过系统化的学习路径，让你从“不会”到“会用”。

👥 适合人群

  • 编程初学者：想学习机器学习，需要系统化的学习路径
  • 数据科学爱好者：希望深入理解机器学习算法原理
  • 开发者：想将机器学习应用到实际项目中
  • 学生：需要补充机器学习知识，提升竞争力

🎓 你将学到

机器学习基础、经典算法、深度学习、神经网络、CNN、RNN、Transformer、NLP、计算机视觉、模型部署等核心技能。 每周一个实战项目，最终完成一个完整的端到端机器学习系统。

📚

系统化学习路径

4 周渐进式学习，从基础数学到深度学习，循序渐进掌握核心技能

💻

实战项目驱动

每周实战项目 + 最终毕业设计，理论结合实践，构建可落地的 ML 应用

🚀

工具与框架

掌握 Scikit-learn、PyTorch、TensorFlow 等主流工具，具备实际项目能力

Week 1

机器学习基础

掌握机器学习的基本概念、数学基础和常用算法，建立扎实的理论基础

Day 1Week 1

机器学习入门

🎯 学习目标

  • •理解什么是机器学习
  • •区分监督学习、无监督学习和强化学习
  • +1 更多目标

💡 核心概念

机器学习的定义和分类监督学习：分类和回归无监督学习：聚类和降维+1

⚡ 实战练习

选择一个你感兴趣的问题，思考如何用机器学习来解决

查看详情 →
Day 2Week 1

数学基础：线性代数

🎯 学习目标

  • •理解向量和矩阵的基本运算
  • •掌握矩阵乘法和转置
  • +1 更多目标

💡 核心概念

向量：表示数据点矩阵：表示数据集和变换矩阵运算：乘法、转置、逆+1

⚡ 实战练习

用 Python NumPy 实现基本的矩阵运算

查看详情 →
Day 3Week 1

数学基础：概率与统计

🎯 学习目标

  • •理解概率分布
  • •掌握期望、方差、协方差
  • +1 更多目标

💡 核心概念

概率分布：正态分布、均匀分布统计量：均值、方差、标准差协方差和相关性+1

⚡ 实战练习

用 Python 计算数据集的统计量

查看详情 →
Day 4Week 1

数据预处理

🎯 学习目标

  • •掌握数据清洗方法
  • •学习特征缩放和标准化
  • +1 更多目标

💡 核心概念

数据清洗：去除异常值和重复值特征缩放：Min-Max、Z-score 标准化缺失值处理：删除、填充、插值+1

⚡ 实战练习

用 Pandas 清洗一个真实数据集

查看详情 →
Day 5Week 1

线性回归

🎯 学习目标

  • •理解线性回归的原理
  • •掌握最小二乘法
  • +1 更多目标

💡 核心概念

线性回归：预测连续值最小二乘法：找到最佳拟合线损失函数：均方误差 (MSE)+1

⚡ 实战练习

用 Scikit-learn 实现线性回归

查看详情 →
Day 6Week 1

逻辑回归

🎯 学习目标

  • •理解逻辑回归的原理
  • •掌握 Sigmoid 函数
  • +1 更多目标

💡 核心概念

逻辑回归：二分类问题Sigmoid 函数：将输出映射到 0-1损失函数：交叉熵+1

⚡ 实战练习

用逻辑回归解决一个二分类问题

查看详情 →
Day 7Week 1

Week 1 实战项目

🎯 学习目标

  • •完成一个完整的机器学习项目
  • •从数据加载到模型评估
  • +1 更多目标

💡 核心概念

项目流程：数据 → 预处理 → 训练 → 评估模型选择：根据问题选择算法结果可视化：展示模型性能

⚡ 实战练习

选择一个数据集，完成端到端的机器学习项目

查看详情 →
Week 2

经典机器学习算法

深入学习决策树、随机森林、SVM 等经典算法，掌握它们的原理和应用

Day 8Week 2

决策树

🎯 学习目标

  • •理解决策树的构建过程
  • •掌握信息增益和基尼不纯度
  • +1 更多目标

💡 核心概念

决策树：树形决策模型信息增益：选择最佳特征基尼不纯度：衡量节点纯度+1

⚡ 实战练习

用决策树解决分类问题

查看详情 →
Day 9Week 2

随机森林

🎯 学习目标

  • •理解集成学习的概念
  • •掌握 Bagging 方法
  • +1 更多目标

💡 核心概念

集成学习：多个模型的组合Bagging：自助采样随机森林：多个决策树的组合+1

⚡ 实战练习

用随机森林提升模型性能

查看详情 →
Day 10Week 2

支持向量机 (SVM)

🎯 学习目标

  • •理解 SVM 的原理
  • •掌握核函数
  • +1 更多目标

💡 核心概念

SVM：寻找最优分离超平面核函数：处理非线性问题软间隔：允许分类错误+1

⚡ 实战练习

用 SVM 解决非线性分类问题

查看详情 →
Day 11Week 2

K-Means 聚类

🎯 学习目标

  • •理解无监督学习
  • •掌握 K-Means 算法
  • +1 更多目标

💡 核心概念

聚类：无标签数据分组K-Means：基于距离的聚类肘部法则：选择 K 值+1

⚡ 实战练习

用 K-Means 对数据进行聚类

查看详情 →
Day 12Week 2

主成分分析 (PCA)

🎯 学习目标

  • •理解降维的概念
  • •掌握 PCA 的原理
  • +1 更多目标

💡 核心概念

降维：减少特征数量PCA：主成分分析方差最大化：保留主要信息+1

⚡ 实战练习

用 PCA 降维并可视化数据

查看详情 →
Day 13Week 2

模型评估与验证

🎯 学习目标

  • •掌握交叉验证
  • •理解过拟合和欠拟合
  • +1 更多目标

💡 核心概念

交叉验证：K-Fold、留一法过拟合：模型过于复杂欠拟合：模型过于简单+1

⚡ 实战练习

用交叉验证评估模型，调优超参数

查看详情 →
Day 14Week 2

Week 2 实战项目

🎯 学习目标

  • •应用多种算法解决同一问题
  • •对比不同算法的性能
  • +1 更多目标

💡 核心概念

算法对比：不同算法的优缺点模型选择：根据数据特点选择性能评估：多指标综合评估

⚡ 实战练习

用多种算法解决一个问题，对比性能

查看详情 →
Week 3

深度学习基础

学习神经网络、反向传播、CNN、RNN 等深度学习核心概念

Day 15Week 3

神经网络基础

🎯 学习目标

  • •理解神经元和感知机
  • •掌握前向传播
  • +1 更多目标

💡 核心概念

神经元：基本计算单元感知机：最简单的神经网络前向传播：数据从输入到输出+1

⚡ 实战练习

用 NumPy 实现一个简单的神经网络

查看详情 →
Day 16Week 3

反向传播算法

🎯 学习目标

  • •理解梯度下降
  • •掌握反向传播原理
  • +1 更多目标

💡 核心概念

梯度下降：优化损失函数反向传播：计算梯度链式法则：复合函数求导+1

⚡ 实战练习

手动推导反向传播过程

查看详情 →
Day 17Week 3

卷积神经网络 (CNN)

🎯 学习目标

  • •理解卷积操作
  • •掌握池化层
  • +1 更多目标

💡 核心概念

卷积：特征提取池化：降维和不变性CNN 架构：LeNet、AlexNet、ResNet+1

⚡ 实战练习

用 CNN 进行图像分类

查看详情 →
Day 18Week 3

循环神经网络 (RNN)

🎯 学习目标

  • •理解序列数据
  • •掌握 RNN 和 LSTM
  • +1 更多目标

💡 核心概念

RNN：处理序列数据LSTM：长短期记忆网络GRU：门控循环单元+1

⚡ 实战练习

用 RNN 处理文本数据

查看详情 →
Day 19Week 3

Transformer 架构

🎯 学习目标

  • •理解注意力机制
  • •掌握 Transformer 架构
  • +1 更多目标

💡 核心概念

注意力机制：关注重要信息Transformer：基于注意力的架构BERT：双向编码器+1

⚡ 实战练习

使用预训练的 Transformer 模型

查看详情 →
Day 20Week 3

深度学习框架

🎯 学习目标

  • •学习 PyTorch 或 TensorFlow
  • •掌握模型构建和训练
  • +1 更多目标

💡 核心概念

PyTorch：动态计算图TensorFlow：静态计算图模型构建：层、激活函数、损失函数+1

⚡ 实战练习

用 PyTorch 或 TensorFlow 构建和训练模型

查看详情 →
Day 21Week 3

Week 3 实战项目

🎯 学习目标

  • •完成一个深度学习项目
  • •从数据到模型部署
  • +1 更多目标

💡 核心概念

深度学习项目流程模型优化：正则化、Dropout结果可视化

⚡ 实战练习

完成一个端到端的深度学习项目

查看详情 →
Week 4

高级主题与实践

学习迁移学习、强化学习、模型部署等高级主题，掌握实际应用技能

Day 22Week 4

迁移学习

🎯 学习目标

  • •理解迁移学习的概念
  • •掌握预训练模型的使用
  • +1 更多目标

💡 核心概念

迁移学习：利用已有知识预训练模型：ImageNet、BERT、GPT微调：在特定任务上调整+1

⚡ 实战练习

使用预训练模型解决新问题

查看详情 →
Day 23Week 4

强化学习基础

🎯 学习目标

  • •理解强化学习的概念
  • •掌握 Q-Learning
  • +1 更多目标

💡 核心概念

强化学习：智能体与环境交互Q-Learning：值函数学习策略梯度：直接优化策略+1

⚡ 实战练习

实现一个简单的 Q-Learning 算法

查看详情 →
Day 24Week 4

模型优化

🎯 学习目标

  • •学习正则化技术
  • •掌握 Dropout 和 Batch Normalization
  • +1 更多目标

💡 核心概念

正则化：防止过拟合Dropout：随机失活Batch Normalization：归一化+1

⚡ 实战练习

优化模型性能

查看详情 →
Day 25Week 4

模型部署

🎯 学习目标

  • •学习模型序列化
  • •掌握 API 部署
  • +1 更多目标

💡 核心概念

模型序列化：保存和加载API 部署：Flask、FastAPI边缘部署：TensorFlow Lite、ONNX+1

⚡ 实战练习

部署一个模型到生产环境

查看详情 →
Day 26Week 4

MLOps 基础

🎯 学习目标

  • •理解 MLOps 概念
  • •学习模型版本管理
  • +1 更多目标

💡 核心概念

MLOps：机器学习运维模型版本管理：MLflow、DVC监控：性能监控、数据漂移+1

⚡ 实战练习

建立 MLOps 流程

查看详情 →
Day 27Week 4

自然语言处理

🎯 学习目标

  • •学习文本预处理
  • •掌握词向量
  • +1 更多目标

💡 核心概念

文本预处理：分词、去停用词词向量：Word2Vec、GloVeNLP 任务：分类、NER、翻译+1

⚡ 实战练习

完成一个 NLP 任务

查看详情 →
Day 28Week 4

计算机视觉

🎯 学习目标

  • •学习图像预处理
  • •掌握目标检测
  • +1 更多目标

💡 核心概念

图像预处理：缩放、归一化目标检测：YOLO、R-CNN图像分割：语义分割、实例分割+1

⚡ 实战练习

完成一个计算机视觉任务

查看详情 →
Day 29Week 4

时间序列分析

🎯 学习目标

  • •理解时间序列数据
  • •掌握 ARIMA 模型
  • +1 更多目标

💡 核心概念

时间序列：时间相关的数据ARIMA：自回归移动平均LSTM：长短期记忆网络+1

⚡ 实战练习

完成一个时间序列预测任务

查看详情 →
Day 30Week 4

毕业项目：端到端 ML 系统

🎯 学习目标

  • •整合 30 天所学知识
  • •完成一个完整的 ML 项目
  • +1 更多目标

💡 核心概念

端到端项目：数据 → 模型 → 部署技术选型：根据需求选择项目文档：完整记录过程

⚡ 实战练习

完成一个完整的机器学习项目，包含数据处理、模型训练、评估和部署

查看详情 →

❓常见问题

准备好开始你的机器学习之旅了吗？

30 天系统学习，从基础到实战，成为具备实际项目能力的机器学习工程师