supervised-learning

本仓库提供了监督机器学习的全面指南，从导数、概率和对数等基础数学开始。它采用循序渐进的方法，在过渡到现代工具之前先推导数学概念。 核心教育组件包括： - Logistic Regression：理论分析、基于 Wisconsin Breast Cancer 数据集的从零实现，以及生产级别的 PyTorch 实现。 - Decision Trees：理论深度探讨、从零实现，以及使用 Scikit-learn、Random Forests 和 XGBoost 预测伦敦房价的实际应用。 - ATLAS (Automated Tree Learning Analysis System)：一个用于特征工程和模型比较的系统。 - Datasets：集成了用于分类和回归任务的 Wisconsin Breast Cancer 和 London Housing Prices 数据集。 学习材料通过 Jupyter notebooks 提供，兼容 Google Colab 以实现基于浏览器的执行。