系列

机器学习基础

面向面试、应用 ML 和 AI/NLP 研究的实践型基础系列：数据划分、过拟合、交叉验证、指标、模型选择、调参、泄漏和表示学习。

从数据划分开始
EN
ML 分类

Part I

数据划分与泛化

  1. 1. 训练集、验证集和测试集
  2. 2. 过拟合与正则化
  3. 3. 用于模型评估的交叉验证
  4. 4. 机器学习中的 Bias–Variance Trade-off

Part II

评估与选择

  1. 1. Accuracy 之外的评估指标
  2. 2. 模型选择实用指南
  3. 3. Grid Search 和 Randomized Search
  4. 4. Pipelines 与 Data Leakage

Part III

从传统 ML 到表示学习

  1. 1. Feature Engineering vs Representation Learning

资料使用策略

这个系列使用经典、权威、角色清楚的材料，而不是随机拼凑博客。

学习主线

Google ML Crash Course 和 ISLR/ISLP 负责直觉、结构和面试友好表达。

代码实践

scikit-learn 负责 splits、cross-validation、metrics、pipelines 和 search 的实践标准。

研究深化

CS229、Deep Learning Book 和论文把基础连接到可信的 AI/NLP evaluation。

训练模型，但不要骗自己。

目标不是只记住 ML 术语，而是能做可靠的训练、评估和模型选择决策。

阅读第一篇
English version