机器学习 01：从整理数据到第一次建模

假设一家门店想预测下周的商品销量。店长已经积累了过去的销售记录，也知道下周准备开展哪些促销活动。我们希望模型从这些历史记录中学到一些关系，然后根据本周末能掌握的信息，估计下周会卖出多少商品。这就是一个具体的机器学习任务。 在这个例子里，模型的输入可以包括历史销量、当前价格和已经确定的促销安排。下周结

机器学习 02：怎样判断模型学得好不好

上一课中，我们已经完成了第一次建模。现在我们需要回答一个更实际的问题：模型的表现到底好不好？假设模型负责识别设备故障，漏掉一次真实故障和多报一次故障，可能带来完全不同的代价。因此，研究者需要先说明自己关心哪类错误，再选择相应的评估指标。 从一张混淆矩阵开始 我们把需要识别的目标定义为正类，例如“发生

机器学习 03：把几个模型组合起来

假设我们已经训练了逻辑回归和决策树。两者的总体分数接近，但逻辑回归判断正确的样本，决策树有时会分错，反过来也一样。我们自然会想到：能不能把两套预测结合起来，让模型互相补充？集成学习就围绕这个问题展开。 组合效果与各模型的错误关系有关。如果所有模型总在同一批样本上失败，简单投票能够修正的错误就比较有限

深度学习 01：亲手走完一次神经网络训练

神经网络为什么能从数据中学到规律？我们可以从一次训练开始理解。网络首先根据当前参数计算预测，损失函数随后衡量预测与答案的差距，训练程序再根据梯度调整参数。这个过程反复进行，模型对训练样本的拟合通常就会逐步改善。 本课用 NumPy 编写一个带隐藏层的小网络，让它学习 XOR，也就是两个输入不同才输出

计算机视觉 01：卷积层、池化与特征图

前一课中，我们用一个小网络处理了二维输入。现在我们把输入换成图像，问题就发生了变化：相邻像素通常存在联系，同一种边缘或纹理也可能出现在不同位置。卷积神经网络 CNN 利用这些局部结构，让同一组卷积核在不同位置重复运算，并在训练中学习有用的局部模式。 本课先说明一个卷积窗口怎样计算，再讨论输出形状、池

计算机视觉 02：用花卉分类学迁移学习与注意力

假设我们想让模型识别一张照片中的花卉类别。模型需要从花瓣、叶片和形态等图像信息中区分类别，但可用训练样本可能并不多。这个场景很适合学习迁移学习：我们借用预训练骨干已有的图像表示，再让它适应当前分类任务。 本课使用 Oxford Flowers-102作为项目背景。数据集提供 102 类花卉图像、标签

计算机视觉 03：目标检测的框、分数与评估

假设一张照片中有三朵花。图像分类模型可以判断照片包含哪些类别，目标检测模型还要指出每朵花位于哪里。因此，检测器通常为每个候选目标输出类别、边界框和分数。 本课从边界框的表示讲起，再解释重叠、去重和评估怎样联系起来。读者可以先学习分类项目与分类评估。 同一只框可以有三种写法 格式 含义 示例 xyxy

图神经网络 01：从消息传递到 GCN 和 GAT

在普通表格任务中，我们通常把每一行作为一个样本。但在社交网络里，用户之间还存在关注关系；在分子中，原子之间还有化学键。如果模型希望利用这些关系，我们就可以把数据表示成由节点和边组成的图。 图神经网络会让相邻节点交换信息，从而更新各自的表示。本课先用一个小图演示消息怎样汇总，再介绍 GCN 与 GAT

图神经网络 02：GraphSAGE 与邻居采样

上一课的小图只有几个节点，程序可以一次处理整张图。现在我们考虑一个用户很多的社交网络：目标用户有大量邻居，每个邻居又有自己的邻居，多层模型需要接触的节点数量就可能迅速增加。 GraphSAGE 将邻居采样与可共享的聚合规则结合起来，让程序使用局部子图训练节点表示。本课会先区分采样和聚合，再说明一个批

图神经网络 03：链接预测怎样划分数据

在节点分类中，模型预测的是节点标签；在链接预测中，模型需要判断两个节点之间是否存在某种关系。例如，一个系统可能希望预测两个用户以后会不会建立联系。 这时，边同时有两种用途：已经观察到的边可以帮助 GNN 计算节点表示，留出的目标边则是模型要预测的答案。我们在读过消息传递以后，需要进一步区分这两份数据