目录
第4章 机器学习基础回顾
4.1 监督学习核心
4.1.1 偏差-方差分解与模型选择
4.1.2 支持向量机（SVM）与核方法
4.1.3 随机森林与梯度提升决策树（XGBoost, LightGBM）
4.1.4 评估指标：ROC-AUC, F1-score, mAP的数学定义
4.2 无监督与自监督学习
4.2.1 聚类算法：K-means, DBSCAN, 谱聚类
4.2.2 降维技术：t-SNE, UMAP的流形学习视角
4.2.3 自监督学习范式：对比学习、掩码预测、拼图任务
4.2.4 2024年自监督学习趋势：DINO, MAE, iBOTv2
4.3 数据工程与特征工程
4.3.1 数据清洗与异常值检测
4.3 数据工程与特征工程
4.3.1 数据清洗与异常值检测
4.3.2 传统视觉特征：HOG, SIFT, SURF, ORB
4.3.3 特征编码：Bag of Visual Words, Fisher Vectors
4.3.4 数据增强策略：几何变换、颜色抖动、Mixup, CutMix
4.4 动手实验：经典机器学习视觉流程
4.4.1 使用scikit-image实现HOG特征提取
4.4.2 构建传统图像分类流水线（SIFT + BoVW + SVM）
4.4.3 实现K-means聚类进行图像分割
4.4.4 对比传统方法与深度学习的性能差距
完整代码实现
参考文献
第4章 机器学习基础回顾
4.1 监督学习核心
4.1.1 偏差-方差分解与模型选择
监督学习模型的泛化误差可分解为偏差、方差与不可约噪声三部分。偏差度量模型期望预测与真实值之间的系统性偏离，反映模型对数据规律的近似能力；高偏差
