第 2 章
机器学习基础
掌握机器学习的基本概念、主要范式与典型算法，理解数据驱动决策的原理。
学习目标
- 理解监督学习、无监督学习与强化学习的区别
- 掌握训练集、验证集、测试集的概念
- 了解决策树、KNN、线性回归等基础算法
- 认识过拟合、欠拟合与模型评估指标
核心知识
- 机器学习：从数据中自动学习规律
- 特征工程与标签的重要性
- 分类与回归两类基本任务
- 交叉验证与模型泛化能力
信息科大案例
利用公开数据集训练一个简单的分类模型，模拟信息科大实验室中常见的传感器数据分类场景，体验"数据—模型—预测"的完整流程。
思考题
- 为什么机器学习需要划分训练集和测试集？
- 举一个适合用监督学习解决的实际问题。
- 过拟合产生的原因有哪些？如何缓解？
本章关联
学校仪器科学与光电工程学院、计算机学院在传感器数据与模式识别领域具有研究优势。
「勤以为学，信以立身」
北京信息科技大学 · 校庆日 5月18日