# python-ml-learning

**Repository Path**: wangyiSelf/python-ml-learning

## Basic Information

- **Project Name**: python-ml-learning
- **Description**: No description available
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-07-23
- **Last Updated**: 2025-07-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Python与机器学习学习路径 - Java工程师转型指南

> 作者：Java高级工程师转型ML  
> 目标：**6个月系统性掌握工业级机器学习能力**  
> 特点：  
> - 从Java视角对比学习Python/ML  
> - 强调工程化落地（模型部署、性能优化）  
> - 聚焦工作场景（推荐系统、异常检测等）

---

## 📚 学习路径与具体目标

### 阶段1：Python核心（2周）
| 目录           | 学习目标                                                                 | Java对比参考                 |
|----------------|--------------------------------------------------------------------------|-----------------------------|
| 基本语法       | ✅ 掌握列表推导式/生成器表达式<br>✅ 理解动态类型与GC机制                | `ArrayList` vs Python List  |
| 函数与模块     | ✅ 熟练使用装饰器<br>✅ 理解`__init__.py`模块化设计                     | Java注解 vs Python装饰器    |
| 面向对象       | ✅ 掌握多继承与MRO<br>✅ 理解`@property`等高级特性                      | Java接口 vs Python ABC       |

### 阶段2：数学基础（3周）
| 目录           | 关键知识点                                                                 | ML应用场景                  |
|----------------|--------------------------------------------------------------------------|-----------------------------|
| 线性代数       | 🔹 矩阵分解（SVD/PCA）<br>🔹 张量运算（3维+）                           | 推荐系统协同过滤            |
| 概率统计       | 🔹 贝叶斯定理<br>🔹 假设检验（P值）                                    | A/B测试评估模型效果         |
| 优化方法       | 🔹 梯度下降变种（Adam/RMSProp）<br>🔹 约束优化（Lagrangian）           | 超参数调优                  |

### 阶段3：机器学习（8周）
| 目录           | 工程重点                                                                  | 代码实践                    |
|----------------|--------------------------------------------------------------------------|-----------------------------|
| 特征工程       | 🔧 分箱/WOE编码<br>🔧 时间序列特征生成                                  | `sklearn-pipeline`实战      |
| 模型评估       | 🔧 跨验证策略（时间序列分割）<br>🔧 业务指标对齐（如召回率@K）          | 自定义scorer实现            |
| 模型部署       | 🔧 ONNX格式转换<br>🔧 Java调用Python模型（JPype）                        | SpringBoot集成PyTorch模型   |

### 阶段4：深度学习（可选，4周）
| 项目           | 关键技术栈                                                                | 工业级技巧                  |
|----------------|--------------------------------------------------------------------------|-----------------------------|
| 推荐系统       | 🔨 双塔模型<br>🔨 负采样优化                                            | 千万级数据分片训练          |
| 异常检测       | 🔨 LSTM-AutoEncoder<br>🔨 在线学习更新                                  | Prometheus监控集成          |

---

## 🛠️ 工程化专项
```java
// Java工程师特别关注：
1. 模型服务化：SpringBoot + TensorFlow Serving
2. 性能优化：JNI加速数值计算（对比Jython）
3. 监控体系：通过Micrometer暴露模型指标