机器学习基础
机器学习是人工智能的核心分支，研究如何让计算机从数据中自动学习规律。本章节涵盖机器学习的基础知识与经典算法。
本章内容：
- 机器学习介绍 — 学习范式、偏差方差权衡、模型选择
- 面试知识点整理 — 核心概念总结与常见问题
- 监督学习 — 线性模型、决策树、SVM、集成方法
- 无监督学习 — 聚类、降维、异常检测
- 集成学习 — Random Forest、XGBoost、LightGBM、Stacking
- 核方法 — SVM深入、核技巧、Gaussian Processes
- 概率图模型 — EM算法、朴素贝叶斯、变分推断
- 时间序列 — ARIMA、Prophet、ML时序方法
- 特征工程 — 特征选择、特征构造、编码方法
- 模型评估与选择 — 交叉验证、评估指标、超参数搜索