上一篇我们学习了模型保存与加载，以及学习率动态调整。在实际项目中，从零训练一个深度网络往往需要大量数据和算力，普通开发者很难做到。本篇我们将学习迁移学习——利用已经在大规模数据集上训练好的模型，快速应用到自己的任务上。同时介绍迁移学习中最常用的网络结构——ResNet（残差网络）。

上一篇我们学习了数据预处理与自定义数据集，把图片数据组织成了 PyTorch 可以训练的格式。本篇我们将学习模型训练完成后的保存与加载，以及学习率动态调整策略。训练一个好的模型往往需要很长时间，把训练好的模型保存下来，下次直接加载使用，是实际项目中必不可少的环节。

一篇我们学习了卷积神经网络（CNN），并用它实现了 MNIST 手写数字识别。但 MNIST 是 PyTorch 自带的数据集，直接加载就能用。在实际项目中，我们面对的是自己的图片数据，需要自己组织数据、编写数据集类、配合 DataLoader 使用。本篇我们将学习如何用 PyTorch 完成数据预处理，包括数据增强、transforms 操作，以及如何构建自定义数据集，为后续实战项目打下基础。

上一篇我们完成了 PyTorch 环境搭建，并用一个三层全连接神经网络实现了 MNIST 手写数字识别，测试准确率约为 72%。本篇我们将学习深度学习中最重要的网络结构——卷积神经网络（CNN）。相比全连接网络，CNN 通过卷积层自动提取图像的局部特征，参数量更少、识别效果更好，是图像分类任务的主流方案。

本文是“深度学习入门”系列的第一篇。从本章开始，我们将正式进入深度学习的领域。如果说机器学习是让计算机从数据中学习规律，那么深度学习就是让计算机自己发现数据中的规律。它通过模拟人脑神经网络的结构，让机器能够自动提取特征，在图像识别、语音识别、自然语言处理等领域取得了革命性的突破。

模块内容机器学习基础监督/无监督学习、分类与回归任务区分KNN算法详解核心思想、欧式距离、超参数、优缺点特征标准化0-1最小最大标准化、Z-score零均值标准化原理与对比双案例实战新生特征三分类 + 鸢尾花二分类无需人工编写全部判定规则，让计算机从大量已有数据中自动挖掘内在规律，使用学到的规律对全新未知样本完成预测判断。对比维度0-1标准化Z-score标准化依赖指标极值（XminXmaxXmi

模块内容线性回归概念定义、数学模型、与KNN的对比误差项分析误差来源、三大核心假设、正态分布极大似然估计概率vs似然、似然函数构造、对数似然推导最小二乘法目标函数、矩阵求导、正规方程解、与极大似然的关系相关系数与R²皮尔逊相关系数、拟合优度、实战案例用一条直线（或高维空间中的一个超平面）去逼近真实数据分布的规律。yw1x1w2x2bεyw1​x1​w2​x2​bεyyy是血压（我们想预测的目标）x

模块内容逻辑回归概念从线性回归到分类、Sigmoid函数、概率解释、常用参数与方法损失函数与求解极大似然估计、交叉熵损失、梯度下降评估指标混淆矩阵、准确率、精确率、召回率、F1-score模型优化过拟合与欠拟合、正则化（L1/L2）、交叉验证实战案例银行信贷风控：预测并拒绝老赖客户线性回归基础（连续数值输出）↓引入Sigmoid函数（实数映射为0~1概率）↓交叉熵损失函数（极大似然估计推导）↓梯度

本文是“机器学习入门”系列的第四站。前两篇我们学习了 KNN 和逻辑回归，它们属于“参数化”或“基于距离”的模型。本篇将进入一个全新的流派——**基于规则的树模型**。决策树是一类**白盒模型**，决策过程如同“如果……那么……”的流程图，人类完全能够看懂并解释预测结果。我们将从信息熵、基尼系数出发，理清 ID3、C4.5、CART 三种主流算法的原理，并讲解如何通过剪枝防止过拟合。

本文是"机器学习入门"系列的第五站。在上一站中，我们深入学习了**决策树**，明白了它是一棵通过"如果……那么……"规则进行分类的白盒模型。但单棵决策树往往有一个致命的弱点——容易过拟合，且对数据的扰动非常敏感。那么，如果我们种下一片森林，让多棵树一起投票表决呢？这就是今天的主角：随机森林（Random Forest）。它汇聚众树之所长，大幅提升了模型的准确率和稳定性。