【机器学习入门】资源集成清单

模块一：机器学习基础

• 教材/书籍：《机器学习》（周志华）第1章，清华大学出版社；《统计学习方法》（李航）第1章
• 视频课程：吴恩达《机器学习》第1-2周，Coursera（中文字幕）；B站搜索“吴恩达机器学习”
• 习题/实践：Coursera课程配套习题；Kaggle入门教程《机器学习入门》
• 辅助读物：机器学习“西瓜书”笔记（github）；知乎专栏“机器学习入门指南”

模块二：数据预处理

• 教材/书籍：《机器学习实战》（Peter Harrington）第2章；《Python数据分析》（Wes McKinney）第7章
• 视频课程：B站“Python数据预处理”系列；慕课网《数据清洗实战》
• 习题/实践：Kaggle泰坦尼克号数据集预处理练习；阿里天池“数据清洗”任务
• 辅助读物：Scikit-learn官方文档“数据预处理”部分；公众号文章“数据预处理10个技巧”

模块三：监督学习算法

• 教材/书籍：《机器学习》（周志华）第3-5章；《统计学习方法》第2-6章
• 视频课程：吴恩达《机器学习》第3-6周；B站“李宏毅机器学习”相关章节
• 习题/实践：使用Scikit-learn实现分类器；Kaggle入门比赛（Titanic、House Prices）
• 辅助读物：机器学习算法图解（github）；知乎“决策树与随机森林详解”

【机器学习入门】资源集成清单

针对您的【入门】水平及【中文免费资源】偏好，以下为您精心筛选的系统学习资源。所有推荐资源均可在公开网络或主流中文平台免费获取。

---

模块一：机器学习基础

目标：建立机器学习世界观，理解核心术语（如过拟合、训练集/测试集），掌握线性代数与概率论基础应用。

• 教材/书籍：
  • 《机器学习》（俗称“西瓜书”），周志华 著，清华大学出版社。
    • 重点阅读：第1章 绪论（核心概念）、第2章 模型评估与选择（性能度量）。
  • 《统计学习方法》（第2版），李航 著，清华大学出版社。
    • 重点阅读：第1章 统计学习方法概论。
• 视频课程：
  • 课程名：《机器学习》（吴恩达 2022新版 – 中文字幕版）
  • 平台：哔哩哔哩 (Bilibili)
  • 搜索关键词/链接：搜索“吴恩达 机器学习 2022 中文字幕”，推荐UP主“AI有道”或“刘二大人”的搬运与讲解系列。重点观看 Week 1 & Week 2。
  • 课程名：《机器学习基石》
  • 平台：哔哩哔哩 (Bilibili) / 台大开放课程
  • 搜索关键词：搜索“林轩田 机器学习基石”，重点观看 第1-4讲。
• 习题/实践：
  • 项目名称：手写数字识别（Hello World级项目）
  • 来源：Kaggle “Digit Recognizer” 竞赛页面（提供数据集和基础Notebook）。
  • 练习内容：不写代码，先使用现成工具观察数据分布，理解什么是“特征”和“标签”。
• 辅助读物：
  • 博客：知乎专栏“机器之心”或“Datawhale”中的《机器学习入门指南》系列文章。
  • 笔记：GitHub开源项目 datawhalechina/pumpkin-book（南瓜书），这是对西瓜书公式的详细推导解读，适合入门者查阅。

---

模块二：数据预处理

目标：掌握数据清洗、缺失值处理、特征缩放、编码等技能，理解“垃圾进，垃圾出”原则。

• 教材/书籍：
  • 《Python数据科学手册》，Jake VanderPlas 著，人民邮电出版社。
    • 重点阅读：第3章 Pandas数据处理（特别是数据清洗、缺失值处理部分）。
  • 《机器学习》（西瓜书），周志华 著。
    • 重点阅读：第4章 决策树 前的数据准备相关知识，或参考书中关于特征工程的散见论述。
• 视频课程：
  • 课程名：《零基础学Python数据分析》
  • 平台：哔哩哔哩 (Bilibili)
  • 搜索关键词：搜索“戴师兄 数据预处理”或“菜鸟教程 Python Pandas”。重点寻找讲解 fillna, dropna, OneHotEncoder, StandardScaler 的实操视频。
  • 课程名：《Scikit-learn 官方教程中文版》配套视频
  • 平台：Scikit-learn中文社区 / B站
  • 搜索关键词：搜索“sklearn 数据预处理 实战”。
• 习题/实践：
  • 项目名称：泰坦尼克号生存预测（数据清洗专项）
  • 来源：Kaggle “Titanic – Machine Learning from Disaster”。
  • 练习内容：仅做数据预处理部分。处理年龄缺失值、提取姓氏特征、将性别/登船港口转换为数字编码、对票价进行归一化。不训练模型，只输出清洗后的干净数据集。
• 辅助读物：
  • 博客：CSDN或知乎上搜索“特征工程最全总结”，推荐阅读涉及“缺失值填补策略对比”的文章。
  • 文档：Scikit-learn 官方中文文档 preprocessing 模块说明（最直接的工具书）。

---

模块三：监督学习算法

目标：掌握回归与分类的核心算法（线性回归、逻辑回归、决策树、随机森林、SVM），理解原理并能调用库实现。

• 教材/书籍：
  • 《机器学习》（西瓜书），周志华 著。
    • 重点阅读：第3章 线性模型、第4章 决策树、第6章 支持向量机（入门可先看简化版）。
  • 《统计学习方法》（第2版），李航 著。
    • 重点阅读：第5章 决策树、第6章 逻辑斯谛回归与最大熵模型。
• 视频课程：
  • 课程名：《白板推导系列：机器学习》
  • 平台：哔哩哔哩 (Bilibili)
  • 搜索关键词：搜索“七月在线 白板推导”。作者手推公式非常清晰，适合理解算法背后的数学逻辑（线性回归、逻辑回归、SVM章节）。
  • 课程名：《机器学习实战》
  • 平台：哔哩哔哩 (Bilibili)
  • 搜索关键词：搜索“唐宇迪 机器学习”，侧重代码实战部分，看如何用Python sklearn 包几行代码实现算法。
• 习题/实践：
  • 项目名称：房价预测（回归） & 鸢尾花分类（分类）
  • 来源：
    1. Kaggle “House Prices – Advanced Regression Techniques” (入门版可用其中的基础数据)。
    2. Scikit-learn 内置数据集 load_iris 和 load_boston (或 california_housing)。
  • 练习内容：
    1. 分别用线性回归和决策树回归预测房价，对比误差。
    2. 用逻辑回归、随机森林对鸢尾花进行分类，绘制混淆矩阵。
• 辅助读物：
  • 博客：知乎文章“通俗理解逻辑回归”、“决策树剪枝是怎么回事”。
  • 速查表：搜索“机器学习算法选择地图”（Scikit-learn Map），帮助根据数据类型快速选择算法。
  • 论文（选读）：若有余力，可阅读 Breiman 的 “Random Forests” (2001) 的中文解读版。

---

? 学习路径建议

1. 顺序执行：请务必按 模块一 -> 模块二 -> 模块三 顺序学习。数据预处理（模块二）是监督学习（模块三）的前提，切勿跳过。
2. 代码先行：对于入门者，建议采用 “视频看懂概念 -> 书籍查阅细节 -> 立即动手跑通代码” 的闭环。不要陷入纯数学推导的泥潭而迟迟不写代码。
3. 环境准备：在开始模块二之前，请确保您已安装好 Anaconda (包含Jupyter Notebook, Pandas, Scikit-learn)，这是最标准的中文社区开发环境。

提示：以上资源均为当前（2026年）网络上稳定存在的经典免费资源。若链接发生变动，请在对应平台使用【加粗的搜索关键词】即可找到最新版本的同类内容。

【学习主题】资源集成清单
（学习水平：入门｜资源偏好：中文免费资源）

---

模块一：机器学习基础

教材/书籍：《统计学习方法》第1–3章，李航，清华大学出版社

• 内容涵盖机器学习基本概念、模型评估与选择、基础数学原理，适合入门建立知识框架。

视频课程：《机器学习-吴恩达（Andrew Ng）》中文翻译版，B站（搜索关键词：“吴恩达 机器学习 中文”）

• 经典入门课，讲解直观，案例丰富，覆盖监督/无监督学习基础概念。

习题/实践：Kaggle Learn “Intro to Machine Learning” 免费课程练习项目

• 在线交互式练习，使用 Python 完成房价预测等小项目，边学边练。

辅助读物：

• 博客：机器之心《机器学习入门必读指南》（搜索“机器之心 入门指南”）
• 知乎专栏：《一文读懂机器学习常见术语与分类》

---

模块二：数据预处理

教材/书籍：《Python机器学习基础教程》第2章，Sebastian Raschka（中文译本），人民邮电出版社

• 重点介绍数据清洗、缺失值处理、特征编码与标准化等实用技巧。

视频课程：《零基础入门数据挖掘——数据预处理篇》，B站（搜索关键词：“数据挖掘 数据预处理 入门”）

• 结合 Python pandas、numpy 演示真实数据处理流程。

习题/实践：Kaggle “Titanic: Machine Learning from Disaster” 数据清洗环节

• 经典入门赛题，可练习缺失值填补、类别特征处理、特征工程。

辅助读物：

• 博客：CSDN《数据预处理常用方法总结（含代码）》
• Jupyter Notebook 笔记：《数据科学实战—数据清洗全攻略》（GitHub 搜索关键词：“data cleaning tutorial 中文”）

---

模块三：监督学习算法

教材/书籍：《机器学习实战》第4–6章，Peter Harrington（中文译本），人民邮电出版社

• 详解线性回归、逻辑回归、决策树、KNN 等经典监督学习算法的原理与 Python 实现。

视频课程：《Python机器学习实战》系列课程，B站（搜索关键词：“Python 机器学习实战 监督学习”）

• 从算法思想到代码实现，一步步带领完成模型训练与评估。

习题/实践：

• GitHub 开源项目《ML-Algorithms-from-Scratch》中文注释版（搜索关键词：“ml algorithms from scratch 中文”）
• Kaggle “House Prices” 项目：应用多种监督学习模型进行预测与比较。

辅助读物：

• 博客：知乎《监督学习算法优缺点对比表（入门速查）》
• 论文笔记：《A Few Useful Things to Know About Machine Learning》（中文翻译版，可搜索“机器学习实用知识 中文笔记”）

---

? 使用建议

• 按模块顺序学习，先掌握基础概念（模块一），再练数据处理能力（模块二），最后进入算法实践（模块三）。
• 每完成一个模块的理论学习，立即用对应习题/实践巩固，形成“学—练—测”闭环。
• 【】标注部分可根据个人兴趣替换为其他同主题中文免费资源，如慕课网、网易云课堂的相关课程。
• 建议每周复盘一次学习进度，并在【学习笔记/错题本】中记录难点与解决方案，便于后续复习。