（1）机器学习概述与数学基础：理解机器学习的定义、分类（监督学习、无监督学习、强化学习）及典型应用场景。回顾机器学习所需的数学基础，包括线性代数（向量、矩阵、特征值）、概率论（条件概率、贝叶斯定理）和最优化方法（梯度下降）的核心概念。配置Anaconda环境，安装NumPy、Pandas、Matplotlib、Scikit-learn等核心库。
（2）数据预处理与特征工程：掌握数据清洗的完整流程，包括缺失值处理（删除、填充）、异常值检测与处理、数据去重。学习特征缩放技术（标准化、归一化、鲁棒缩放），掌握类别特征编码（独热编码、标签编码）和特征离散化方法。理解特征选择（过滤式、包裹式、嵌入式）和特征提取（PCA主成分分析）的原理与实践。
（3）数据可视化与探索性分析：使用Matplotlib和Seaborn绘制各类统计图表，包括直方图、箱线图、散点图、热力图、分布图、回归图。学习通过可视化手段探索数据分布、发现特征间相关性、识别异常点，为模型选择提供依据。
（4）回归算法原理与实践：深入理解线性回归的数学原理（最小二乘法、梯度下降），掌握多元线性回归、多项式回归的实现。学习岭回归、Lasso回归和弹性网络等正则化方法，理解它们处理过拟合和特征选择的机制。使用评估指标（MSE、MAE、R²）评估回归模型性能，完成房价预测等实战案例。
（5）分类算法（一）：逻辑回归与KNN：理解逻辑回归的原理（Sigmoid函数、对数损失、决策边界）及其与线性回归的联系与区别。掌握K近邻（KNN）算法的原理（距离度量、K值选择、投票机制）。使用Scikit-learn实现两种算法，通过混淆矩阵、准确率、精确率、召回率、F1分数和ROC-AUC曲线全面评估分类模型。
（6）分类算法（二）：决策树与集成学习：深入理解决策树的原理（信息增益、基尼系数、剪枝策略），掌握决策树的构建过程和优缺点。学习集成学习的两大范式：Bagging（随机森林）和Boosting（AdaBoost、梯度提升）。掌握随机森林的特征重要性评估和XGBoost/LightGBM的实战应用。
（7）分类算法（三）：支持向量机与朴素贝叶斯：理解支持向量机（SVM）的核心思想（最大间隔、支持向量、核技巧），掌握线性SVM和非线性SVM（多项式核、RBF核）的应用场景。学习朴素贝叶斯的原理（贝叶斯定理、条件独立性假设），掌握高斯朴素贝叶斯、多项式朴素贝叶斯在不同数据类型上的应用。
（8）无监督学习：聚类算法：深入理解K-Means聚类的原理（K值选择、距离计算、收敛条件）和局限性。学习层次聚类（凝聚式、分裂式）和DBSCAN密度聚类的工作原理。掌握轮廓系数、Calinski-Harabasz指数等聚类评估方法，实现客户分群、图像分割等实战应用。
（9）模型评估与选择：系统学习模型评估的各种方法，包括留出法、交叉验证（K折、留一法）和自助法。理解偏差-方差权衡、过拟合与欠拟合的成因及应对策略。掌握学习曲线和验证曲线的绘制与分析方法，实现模型的系统化调优。
（10）模型调参与优化：学习超参数与模型参数的区别，掌握网格搜索（Grid Search）和随机搜索（Random Search）的实现方法。理解贝叶斯优化的基本原理，使用Hyperopt等工具实现更高效的超参数搜索。学习模型集成的进阶技巧（投票、堆叠）。
（11）自然语言处理基础：了解文本数据的特征表示方法，包括词袋模型、TF-IDF、N-gram。掌握文本预处理流程（分词、去停用词、词干提取）。使用机器学习算法实现文本分类（如垃圾邮件识别）和情感分析等自然语言处理任务。
（12）综合项目实战：结合所学知识，完成一个完整的机器学习项目（如信用卡欺诈检测、电商用户流失预测、房价预测挑战赛、新闻文本分类等）。涵盖业务理解、数据探索、特征工程、模型选择、参数调优、结果评估和模型部署的全流程，形成规范的机器学习项目报告。
