本课程是机器学习入门课程，面向具备编程与数学基础但无机器学习背景的学生，通过三个递进式项目实战，帮助学生建立机器学习的核心概念体系，掌握基础算法与工程实践能力，最终具备独立完成小型机器学习项目的综合能力。
目标学生为大二本科生，拥有较好的微积分、线性代数与概率统计基础，熟练掌握Python编程，但从未系统学习过机器学习。作为机器学习的第一门课程，本课程将填补学生从“会写代码”到“会用机器学习方法解决问题”之间的认知空白。学完后，学生将能够理解机器学习的思维方式，掌握监督与无监督学习的典型算法，并具备独立完成端到端机器学习项目的实战经验。
- 能够准确识别并定义监督学习与无监督学习问题，选择合适的任务类型。
- 掌握线性回归、逻辑回归、决策树、K-means等基础算法的原理与适用场景。
- 能够独立完成数据预处理、模型训练、超参数调优、结果评估的完整流程。
- 熟练使用scikit-learn等主流机器学习库进行建模与实验。
- 养成科学的模型评估习惯，能够基于验证集性能判断模型优劣并迭代改进。
本课程划分为三大模块，共12次课贯穿始终。模块一：机器学习世界观（前4次课）通过一个入门级项目，帮助学生建立机器学习的问题分类体系，理解训练/验证/测试的基本范式，掌握评估指标体系。这一模块重在认知建构，为后续算法学习奠定思考框架。模块二：核心算法精讲（第5-9次课）围绕监督学习与无监督学习的经典算法展开，每个算法对应一个小项目，覆盖回归、分类、聚类三类任务，帮助学生在实践中理解算法原理与工程细节。模块三：综合实战与工程化（第10-12次课）通过一个综合性项目，训练学生整合所学技术完成端到端开发，培养模型选择、集成优化与结果展示的进阶能力。
学完整门课后，学生能够独立完成一个完整的机器学习项目：从问题分析出发，完成数据探索与预处理，选择并实现合适的模型，进行训练调优，最终产出可解释的结果报告。具体而言，学生将具备独立使用scikit-learn处理真实数据的能力，能够针对新问题设计机器学习解决方案，并能清晰阐述模型选择理由与性能分析。课程结束后，学生将积累1-2个可展示的项目作品，为后续深入学习和求职面试奠定基础。