课程内容
我有话说
1/1 K 均值聚类（K-means）
介绍最经典的基于距离的无监督分组方法，说明它如何通过反复把样本划归最近中心、再移动中心位置，直至收敛出若干簇。文章分析初始中心位置和数据规模对聚类效果与效率的影响，并介绍两种常见优化：加速距离计算，以及更合理地初始化中心。适合初学者建立聚类直觉，读完能理解基本原理、迭代收敛过程与常见改进方向。
本课程经原理推导与sklearn实践，讲解K-means及kmeans++优化，解决初始质心敏感与K值选择，帮助掌握聚类建模方法。
介绍最经典的基于距离的无监督分组方法，说明它如何通过反复把样本划归最近中心、再移动中心位置，直至收敛出若干簇。文章分析初始中心位置和数据规模对聚类效果与效率的影响，并介绍两种常见优化：加速距离计算，以及更合理地初始化中心。适合初学者建立聚类直觉，读完能理解基本原理、迭代收敛过程与常见改进方向。
58 分钟 本课程通过浮点与定点存储对比，讲解小数表示底层原理，解决浮点数精度丢失问题，帮助学习者按场景选择存储方式，提升数值计算准确性。
49 分钟 本课程通过高维数据案例讲解PCA方差最大化与协方差矩阵特征分解，解决维度灾难与噪声干扰，帮助学习者完成降维与可视化。
推荐 8 小时 58 分钟 本课程通过Tkinter与朴素贝叶斯实战，讲解贝叶斯公式与邮件向量化训练，解决中文垃圾邮件识别，帮助学习者交付可分发桌面分类应用。