CSE375机器学习课程实验仓库：从基础算法到深度学习的完整学习路径

本仓库是东威大学CSE375机器学习课程的完整实验记录，由Yeamin Rahman Mahid维护。它包含11个循序渐进的实验模块，覆盖从传统机器学习到现代深度学习的完整技术栈。每个实验均提供代码实现、可视化结果和性能评估，形成结构化、可复现的学习路径，对系统掌握机器学习实践具有重要参考价值。

• 原作者/维护者: Yeamin Rahman Mahid
• 所属机构: 东威大学（East West University）计算机科学与工程系
• 来源平台: GitHub
• 原始标题: CSE438-Machine-Learning
• 原始链接: https://github.com/mahidrahman375/CSE438-Machine-Learning
• 发布时间: 2026年6月8日

项目采用Python生态主流工具组合：

• 数据处理: NumPy、Pandas（数据清洗、特征工程）
• 机器学习框架: Scikit-learn（传统算法实现）
• 深度学习: TensorFlow/Keras（神经网络构建）
• 可视化: Matplotlib、Seaborn（分析图表生成）
• 开发环境: Jupyter Notebook、Google Colab（交互式开发）

11个实验模块分为五个阶段：

• 基础监督学习（1-2）: 数据预处理（缺失值/异常值处理、编码、缩放），k-NN、加权k-NN、决策树算法实现与超参数调优，评估指标（准确率、精确率、召回率、F1分数）分析。
• 集成方法与模型评估（3-4）: Bagging、随机森林、AdaBoost、XGBoost等集成策略，K折/分层K折交叉验证对比。
• 无监督学习与异常检测（5-7）: K-Means、层次聚类、DBSCAN聚类（WCSS/轮廓系数评估），Apriori关联规则、PCA/t-SNE降维，Z-score、孤立森林异常检测。
• 深度学习基础（8-9）: 损失函数（均方误差、交叉熵等）、激活函数（Sigmoid、ReLU等）特性分析，梯度下降、Adam等优化器收敛行为对比。
• 神经网络架构实践（10-11）: ANN/CNN完整实现（池化、Dropout、正则化），CNN变体（深度可分离卷积、空洞卷积、分组卷积）性能与效率权衡研究。

完成课程后可具备：

1. 端到端机器学习流程构建能力
2. 多种算法独立实现与对比能力
3. 严格的模型评估与验证能力
4. 高维数据聚类与降维应用能力
5. 优化算法与训练动态理解能力
6. CNN架构设计与分析能力

未来扩展: 计划加入Kaggle竞赛解决方案、研究型实验、深度学习项目、真实世界部署模型及论文复现。 许可: MIT许可证，允许自由使用与修改。 使用建议: 按实验顺序实践，尝试修改参数/替换数据集加深理解；将传统ML评估方法应用到深度学习实验中，实现方法论融会贯通。