泰拉瑞亚战士全流程攻略（1.4.5）
从开荒到月总前的战士装备路线图，武器 / 盔甲 / 饰品 / 坐骑 一站整理。
👁 0💬 0
15 min→
Serein
机器学习 / Volume 01 / 001 of 008
机器学习
从概念到
深度学习。
一份系统化的机器学习知识笔记。监督与无监督的范式分野，三层神经网络到深度学习的演进，9+ 主流算法的定位地图。算法、概念、实战，一站搞定。
05
章节 · Chapters
04
范式 · Paradigms
9+
算法 · Algorithms
scikit-learn
PyTorch · TF
MIT License
Open Notes
Jupyter · Colab
$ python train.py --model svm
artifact · 训练进度
监督 · Supervised
Editorial
v1.0.0
From the field · ML Notes · 23 cities
关于
I.About / Manifesto002 / 008
我们将碎片化的机器学习知识点，编织成可追溯的系统。
机器学习是人工智能的重要分支，不需要人为编写全套业务规则，通过设计算法让计算机分析数据，挖掘隐含规律，构建学习模型。训练完成后，能对从未见过的新样本进行预测、分类、判断。核心能力是泛化能力——举一反三。本笔记按 AI ⊃ ML 的从属关系组织：传统机器学习（监督 + 无监督）+ 人工神经网络，神经网络又分出深度学习。
"从监督学习的标准答案，到无监督学习的自我发现，再到深度学习的特征涌现——核心始终是让模型*看见*数据中的规律。"
Ø Concept · Algorithm · Math · Code · Repeat
Study Notes · Est. MMXXVI
能力
II. Skills · Systems003 / 008
四大范式，覆盖机器学习的主战场。
01
监督
学习
学习
训练数据同时含特征 + 标签。分类任务：逻辑回归 · K近邻 · SVM · 决策树 · 随机森林。回归任务：线性回归。应用：人脸识别 · 信贷风险 · 销量预测。
chapter-02/supervised.md02
无监督
学习
学习
数据只有特征，没有标签。聚类：K-Means，按相似度自动分组。降维：PCA，剔除冗余特征。应用：用户画像 · 异常检测 · 特征预处理。
chapter-03/unsupervised.md04
深度
学习
学习
隐藏层≥ 2 层的神经网络。自动逐层提取低层 → 中层 → 高层抽象特征。CNN 图像 · RNN/LSTM 时序 · Transformer 大模型。数据越大、算力越强，效果越好。
chapter-05/deep-learning.md实验室
III. Labs · Skills004 / 008
算法是机器学习的积木，每块都有自己的位置。
全部9
分类4
回归1
聚类1
降维1
神经网络3
分类
Nº 01
逻辑回归 / Logistic
虽然叫"回归"，本质是二分类算法。Sigmoid 函数把线性输出映射到 0/1 概率。适合垃圾邮件识别、患病/健康判断。
chapter-02/supervised.md#logistic
分类
Nº 02
K 近邻 / KNN
看一个新样本的K 个最近邻居属于什么类别，它就属于什么类别。"近朱者赤"。无需训练，但预测时要扫一遍全库。
chapter-02/supervised.md#knn
分类
Nº 03
支持向量机 / SVM
找一个超平面把两类样本分得最开。间隔最大 → 泛化能力最强。核函数让它能处理非线性问题，是经典的强分类器。
chapter-02/supervised.md#svm
回归
Nº 04
线性回归 / Linear
用一条直线（或超平面）拟合连续型数值。最小二乘法求解。房屋价格、气温、销量预测的入门首选。
chapter-02/supervised.md#linear
聚类
Nº 05
K-Means 聚类
随机选 K 个中心，反复"分配 → 更新中心"直到收敛。组内相似、组间相异。电商用户分群、商品归类、异常检测都用它。
chapter-03/unsupervised.md#kmeans方法论
IV. Method · Loop005 / 008
01
Foundations
→
理解机器学习是什么、为什么。核心是泛化能力——举一反三。知道三大类：监督、无监督、强化学习。
02
Traditional ML
→
传统机器学习 = 监督 + 无监督。分类用逻辑回归/KNN/SVM/决策树/随机森林；聚类用 K-Means；降维用 PCA。
03
Neural Net
→
人工神经网络 = 输入层 + 隐藏层 + 输出层。靠反向传播更新权重。把"模型=算法"换成"模型=参数 + 结构"。
04
Deep Learning
隐藏层 ≥ 2 层即深度。CNN 处理图像，RNN/LSTM 处理时序，Transformer 撑起大语言模型。数据 + 算力 = 涌现。
精选作品
V. Work · 2026006 / 008
将数学转化为可运行的模型。
查看全部 9+ 算法 →
监督学习
2026 · CLASSIFY
02
监督学习算法集
逻辑回归 · KNN · SVM · 决策树 · 随机森林 · 线性回归。覆盖分类与回归两大任务，附带 scikit-learn 最小可运行示例。应用：人脸识别 · 信贷风险 · 销量预估。
深度学习
2026 · DL
05
深度学习架构集
CNN 卷积神经网络处理图像分类与目标检测；RNN/LSTM 适配时序数据与语音识别；Transformer 是当下大模型的基础架构，撑起机器翻译与智能聊天。
协作者
VI. Collaborators007 / 008
"AI 包含 ML；ML 分为传统机器学习和人工神经网络；传统 ML = 监督 + 无监督；ANN 包含深度学习。"
AI · 人工智能
ML · 机器学习
ANN · 人工神经网络
DL · 深度学习
SL/UL · 监督/无监督
常见问题
VI.5 FAQ013 / 008
关于机器学习、深度学习与神经网络的常见问题。
01
什么是机器学习？
机器学习是人工智能的重要分支，不需要人为编写全套业务规则。它通过设计算法让计算机分析现有数据，挖掘数据隐含规律，构建学习模型。训练完成后，能对从未见过的新样本进行预测、分类、判断。核心能力是泛化能力——举一反三。主要分三大类：监督学习、无监督学习、强化学习。
02
监督学习和无监督学习的本质区别是什么？
监督学习的训练数据集同时包含特征（输入）和标签（标准答案），相当于"带参考答案的练习题"。算法不断修正模型参数，学习从特征到标签的映射关系。无监督学习的数据集只有特征，没有标签，算法依靠样本自身相似度自主挖掘数据内部的分布与结构。
03
人工神经网络（ANN）和深度学习是什么关系？
人工神经网络是一类机器学习算法模型，模拟大脑神经元连接。整体分三层：输入层接收原始数据，隐藏层做特征变换，输出层给出预测。靠误差反向传播更新权重。深度学习是 ANN 的分支，特指隐藏层数量 ≥ 2 层的深层网络。
04
传统机器学习和深度学习的核心差异？
传统机器学习需要人工手动设计提取数据特征，深度学习可以自动从原始数据中逐层提取低层、中层到高层的抽象特征。深度学习的特点是数据量越大、硬件算力越强，模型效果提升越明显，是当前人工智能的主流技术。
05
深度学习的三种主流网络分别擅长什么？
CNN（卷积神经网络）擅长图像处理，多用于图像分类、目标检测、人脸识别。RNN / LSTM适配时序数据，用于语音识别、时序预测。Transformer是当下大模型的基础架构，广泛应用在机器翻译、智能聊天大模型、自然语言处理领域。
06
AI / ML / ANN / DL 的从属关系是什么？
人工智能（AI）包含机器学习（ML）；ML 分为传统机器学习和人工神经网络（ANN）；传统 ML 包含监督学习与无监督学习；ANN 包含深度学习（DL）。四层从属关系构成了完整的机器学习知识图谱。
实时
v1.0.0
MIT · 2026
30.5728° N · 104.0668° E
FIN.