文章

所有我发布的文章。

• 机器学习速成·逻辑回归(2/2)：损失与正则化——为什么用对数损失

  2026-09-08

  参考 Google 机器学习速成课程（逻辑回归：损失和正则化模块），详解逻辑回归训练的两大差异：为何用对数损失而非平方损失，以及正则化为何至关重要

• 机器学习速成·逻辑回归(1/2)：简介与 S 型函数——让模型输出概率

  2026-09-08

  参考 Google 机器学习速成课程（逻辑回归简介 + 使用 S 型函数计算概率模块），详解逻辑回归 vs 线性回归、S 型函数公式与特性、对数几率（log-odds），并手算一个完整例子

• 机器学习速成·线性回归(4/4)：超参数——学习速率、批次大小与周期

  2026-09-08

  参考 Google 机器学习速成课程（Hyperparameters 模块），详解三个核心超参数：学习速率、批次大小、周期，以及超参数与参数的区分，如何调节让模型更快收敛

• 机器学习速成·线性回归(3/4)：梯度下降——如何找到最优的权重和偏差

  2026-09-08

  参考 Google 机器学习速成课程（Gradient Descent 模块），详解梯度下降的迭代步骤、具体数值算例、损失曲线与收敛，以及凸函数保证找到全局最优的原理

• 机器学习速成·线性回归(2/4)：线性回归的损失函数——从距离到 MSE / MAE 的选择

  2026-09-08

  参考 Google 机器学习速成课程（Loss 模块），详解损失的概念、损失距离、L1/L2、MAE/MSE/RMSE 五种损失类型与公式，以及如何根据离群值选择合适的损失函数

• 机器学习速成·线性回归(1/4)：线性回归——从方程、参数到多特征模型

  2026-09-08

  参考 Google 机器学习速成课程（Linear Regression 模块），详解线性回归方程、偏差（bias）与权重（weight）参数、多特征模型，以及训练期间哪些参数会被更新

• 机器学习速成·前置(三)：Pandas DataFrame 上手——创建、取值与引用

  2026-09-08

  参考 Google ML Crash Course 前置工作（Pandas DataFrame UltraQuick Tutorial），掌握 pandas 核心数据结构 DataFrame：创建、新增列、切片取值、引用 vs 拷贝

• 机器学习速成·前置(二)：NumPy 上手——数组、随机数与广播

  2026-09-08

  参考 Google ML Crash Course 前置工作（NumPy UltraQuick Tutorial），掌握机器学习必须的 NumPy 基础：数组创建、随机数、数学运算与广播（broadcasting），并动手做一个线性数据集

• 机器学习速成·前置(一)：机器学习入门——核心概念与监督式/非监督式学习精讲

  2026-09-08

  参考 Google 机器学习简介（Intro to ML），系统讲解机器学习的预测能力、监督式与非监督式学习、强化学习、生成式AI、回归与分类的区别，以及训练与评估的关键要点

• 当考试从"测量"变成"分配"：教育内卷时代，我们该如何重新定义学习的意义？

  2026-08-24

  深度思考考试的双重属性、学历通胀与阶层固化的现实困境，从个人、教育者、社会三个维度重新定义学习的意义与出路