B站九天机器学习实战冲刺班三期系统讲解机器学习基本概念与建模流程、矩阵运算与最小二乘法、线性回归与逻辑回归手动实现、梯度下降优化、分类模型评估指标、Scikit-Learn全流程、K-Means与DBSCAN聚类、决策树与随机森林、AdaBoost与梯度提升树、XGBoost全参数详解、超参数优化（网格搜索/贝叶斯/Optuna）及特征工程与特征筛选全流程，附电信用户流失实战案例，帮助学员系统掌握机器学习从理论到实战的完整技能。

✨课程概括

B站九天机器学习实战冲刺班三期系统讲解机器学习基本概念与建模流程、矩阵运算与最小二乘法、线性回归与逻辑回归手动实现、梯度下降优化、分类模型评估指标、Scikit-Learn全流程、K-Means与DBSCAN聚类、决策树与随机森林、AdaBoost与梯度提升树、XGBoost全参数详解、超参数优化（网格搜索/贝叶斯/Optuna）及特征工程与特征筛选全流程，附电信用户流失实战案例，帮助学员系统掌握机器学习从理论到实战的完整技能。

本课程是一套系统深入、实战导向的机器学习集训营课程，覆盖机器学习从理论到实战的完整知识体系。课程内容包含特征工程与筛选、线性回归与逻辑回归、梯度下降原理与手动实现、决策树与集成学习（随机森林/AdaBoost/GBDT/XGBoost）、超参数优化与贝叶斯优化、聚类算法，并以电信用户流失案例收尾。全程以手写代码为基础，结合Scikit-Learn等工具，帮助学员深入理解算法本质，构建扎实的建模能力，解决实际业务问题。

🎯课程痛点

• 😰机器学习理论学了很多但不会写代码实现。
• 😰调参全靠经验，没有系统化的优化方法。
• 😰特征工程缺乏方法论，不知道如何系统化衍生特征。
• 😰面试时被问到底层数学原理就答不上来。
• 😰XGBoost等复杂模型的参数空间庞大，不知道怎么调。
• 😰没有完整的机器学习项目实战经验。

👥课程人群

• 📊数据科学/机器学习从业者：希望系统提升建模能力。
• 💻算法工程师/开发人员：需要将机器学习应用到实际业务。
• 🎓数据科学求职者：准备面试、夯实理论基础。
• 📚AI/ML方向学生：希望从理论走向实战。

🤖课程收获

• 📐深入理解机器学习核心算法的数学原理：不只是调包，更要懂原理。
• 💻具备从零手写算法的能力：线性回归、逻辑回归、梯度下降的手动实现。
• 🧩掌握集成学习与XGBoost全流程：从参数理解到调优实战。
• ⚙️精通多种超参数优化方法：网格搜索、贝叶斯优化、Optuna。
• 🔧掌握系统化的特征工程与特征筛选方法：50+课时专项教学。
• 📊完成一个完整的机器学习实战项目：电信用户流失预测。

👨‍🏫课程讲师

本课程由B站九天老师主讲。九天老师长期深耕机器学习教学与算法实战，课程以“手写代码+数学推导+实战案例”三位一体为特色，在B站拥有大量机器学习学习者粉丝。课程风格严谨、体系完整、讲解深入，从底层原理到工程实现逐层递进，帮助大量学员打通了从理论到实战的最后一公里。

📚课程目录

• 第1课：前言与导学（上）
• 第2课：前言与导学（下）
• 第3课：机器学习基本概念与建模流程（上）
• 第4课：机器学习基本概念与建模流程（下）
• 第5课：矩阵运算基础、矩阵求导与最小二乘法1
• 第6课：矩阵运算基础、矩阵求导与最小二乘法2
• 第7课：矩阵运算基础、矩阵求导与最小二乘法3
• 第8课：线性回归的手动实现
• 第9课：变量相关性基础理论
• 第10课：数据生成器与Python模块编写
• 第11课：线性回归手动实现与模型局限
• 第12课：机器学习模型可信度理论与交叉验证基础
• 第13课：逻辑回归模型构建与多分类学习方法（上）
• 第14课：逻辑回归模型构建与多分类学习方法（下）
• 第15课：逻辑回归参数估计
• 第16课：梯度下降基本原理与手动实现（上）
• 第17课：梯度下降基本原理与手动实现（下）
• 第18课：随机梯度下降与小批量梯度下降（上）
• 第19课：随机梯度下降与小批量梯度下降（下）
• 第20课：梯度下降优化基础：数据归一化与学习率调度（上）
• 第21课：梯度下降优化基础：数据归一化与学习率调度（下）
• 第22课：逻辑回归的手动实现方法（上）
• 第23课：逻辑回归的手动实现方法（下）
• 第24课：分类模型决策边界
• 第25课：混淆矩阵与F1-Score
• 第26课：ROC-AUC的计算方法、基本原理
• 第27课：Scikit-Learn快速入门
• 第28课：Scikit-Learn常用方法速通
• 第29课：正则化、过拟合抑制（上）
• 第30课：Scikit-Learn逻辑回归参数详解（下）
• 第31课：机器学习调参入门
• 第32课：机器学习调参基础理论（上）
• 第33课：Scikit-Learn中网格搜索进阶（下）
• 第34课：多分类评估指标的macro与weighted
• 第35课：GridSearchCV的进阶使用方法
• 第36课：无监督学习与K-Means基础（上）
• 第37课：K-Means聚类的Scikit-Learn实现（下）
• 第38课：Mini Batch K-Means与DBSCAN聚类
• 第39课：决策树模型的核心思想与建树流程
• 第40课：CART分类树的建模流程（上）
• 第41课：sklearn中CART分类树的参数详解（下）
• 第42课：【加餐】ID3和C4.5的基本原理
• 第43课：CART回归树的建模流程与sklearn实现
• 第44课：集成算法开篇：Bagging方法（上）
• 第45课：随机森林回归器的实现
• 第46课：随机森林回归器的参数详解
• 第47课：集成算法的参数空间与网格搜索
• 第48课：随机森林在巨量数据上的增量学习
• 第49课：Bagging及随机森林6大面试热点问题
• 第50课：开篇：超参数优化与枚举网格搜索
• 第51课：随机网格搜索（上）
• 第52课：随机网格搜索（下）
• 第53课：Halving网格搜索（上）
• 第54课：Halving网格搜索（下）
• 第55课：贝叶斯优化的基本流程
• 第56课：BayesOpt vs HyperOpt vs Optuna
• 第57课：基于BayesOpt实现高斯过程gp
• 第58课：基于HyperOpt实现TPE优化
• 第59课：基于Optuna实现多种优化
• 第60课：Boosting的基本思想与基本元
• 第61课：AdaBoost的参数（上）：弱评估器
• 第62课：AdaBoost的参数（下）：实践
• 第63课：原理进阶：AdaBoost算法流程
• 第64课：梯度提升树的基本思想与实现
• 第65课：迭代过程中的参数(1)：GBDT
• 第66课：迭代过程中的参数(2)：GBDT
• 第67课：弱评估器结构参数：弗里德曼
• 第68课：梯度提升树的提前停止
• 第69课：袋外数据与其他参数
• 第70课：梯度提升树的参数空间与TPE调优
• 第71课：原理进阶(1)：GBDT数学流程
• 第72课：原理进阶(2)：拟合伪残差的梯度提升
• 第73课：XGBoost的基本思想
• 第74课：实现XGBoost回归：sklearn API详解
• 第75课：实现XGBoost回归：xgb原生代码
• 第76课：实现XGBoost分类：目标函数详解
• 第77课：基本迭代过程中的参数
• 第78课：目标函数及其相关参数
• 第79课：三种弱评估器与DART树详解
• 第80课：弱评估器的分枝：结构分
• 第81课：控制复杂度：弱评估器的正则化
• 第82课：XGBoost中的必要功能性参数
• 第83课：XGBoost的参数空间
• 第84课：XGBoost基于TPE的调参
• 第85课：XGBoost的基本数学流程
• 第86课：化简XGBoost的目标函数
• 第87课：求解XGBoost的损失函数
• 第88课：第四部分导学（实战技巧）
• 第89课：海量特征衍生与筛选（上）
• 第90课：海量特征衍生与筛选（下）
• 第91课：网格搜索超参数（上）
• 第92课：网格搜索超参数（下）
• 第93课：特征工程：字段类型转化与异常值检测
• 第94课：特征工程：相关性分析
• 第95课：特征工程：数据重编码与转化器流水线
• 第96课：特征工程：特征变换与连续变量分箱
• 第97课：特征衍生：基于业务与数据探索的方法
• 第98课：特征衍生：单变量/多变量/多项式/时序/NLP衍生
• 第99课：特征衍生：目标编码与分组统计高阶
• 第100课：特征衍生实战案例（多课时）
• 第101课：特征筛选：缺失值过滤与评分函数
• 第102课：特征筛选：假设检验与卡方检验
• 第103课：特征筛选：方差分析与线性相关性
• 第104课：特征筛选：互信息法与feature_importance
• 第105课：特征筛选：RFE、RFECV、SFS与SFM
• 第106课：实战案例：电信用户流失预测（业务背景与字段解读）
• 第107课：实战案例：电信用户流失预测（数据探索性分析）
• 第108课：实战案例：电信用户流失预测（逻辑回归建模）
• 第109课：实战案例：电信用户流失预测（决策树建模）
• 第110课：实战案例：电信用户流失预测（自定义sklearn评估器）

❓常见问题