经典机器学习的行业寻宝：ML-For-Beginners 结课黑客松实战指南

本指南以 1-Applications 单元 的课后作业 "A ML Scavenger Hunt"（机器学习寻宝，作业原文见 assignment.md）为骨架展开。它要求你以黑客松参赛者身份，用本课程教授的全部经典机器学习技法，为某个真实行业场景设计可落地的解决方案，并输出一份演示文稿；若能收集样例数据、跑通模型，即可获得加分。读完本文，你将掌握：作业考核的完整要求与评分口径、八个真实行业赛道的技法匹配图谱、一条从选题到模型再到路演的实战路线，以及仓库内可直接复用的数据与 Notebook 资源清单。

任务解读：这场"寻宝"到底要交什么

对照英文原版作业 assignment.md 与阿拉伯语译本，作业的核心指令可以被精确还原为以下五条交付要求：

1. 背景设定：假设你正在参加一场黑客松（hackathon），这是一个面向真实业务诉求的比赛型场景，需要你在有限时间内提出可演示的解决方案。
2. 技术约束：方案必须使用经典机器学习（classical ML）。作业原文特意强调——尽管深度学习、新式 AI 工具与神经网络已极大加速了行业工具的产出，但本课程覆盖的经典技法（回归、聚类、分类、NLP、时间序列等）在真实世界依然具有很高价值。这是对整门课程知识资产的正面肯定，也限定了方案的技术边界：优先用可解释、轻量、成熟的经典管线，而非堆叠深度网络。
3. 选题范围：从本课（1-Applications）讨论过的八个行业/领域中挑选一个具体问题（后文逐一拆解）。
4. 交付物：制作一份演示文稿（PowerPoint），讲清楚"你的想法如何被实现"——即问题定义、数据来源、技术选型与实施路径。
5. 加分项（Bonus）：如果能收集到样例数据，并真正训练出一个支撑你观点的机器学习模型，则获得额外加分。

评分标准：从"未完成"到"优秀"的跃迁

作业原表如下（第一列标准维度为空，可理解为对整体交付物的综合评价）：

标准	优秀（Exemplary）	合格（Adequate）	需改进（Needs Improvement）
整体交付物	提交 PowerPoint 演示文稿；构建模型作为加分项	仅提交一份缺乏创新、较为基础的演示	工作未完成

把评分表翻译成可执行的行动清单，"优秀"档至少需要同时命中三点：

• 完整性：演示文稿结构完整，覆盖从业务痛点、数据到模型、评估与上线的完整链条；
• 创新性：合格档的扣分点在"非创新（non-innovative）"，意味着选题不应是教材案例的简单复读，而要体现对行业问题的独立思考（例如换一个细分场景、换一种特征构造思路或换一个评估视角）；
• 加分项意识：即便时间紧张，也应尽力收集小规模样例数据并跑通一个最小可用的经典 ML 模型——哪怕模型简单，只要它是"支撑你观点"的证据链一环，就符合加分精神。

八个行业赛道：作业可选的"藏宝地图"

作业要求的问题必须来自本课讨论过的行业。在 1-Applications 课程正文 中，这些行业案例被编排为八大赛道。下表把行业 → 代表性案例 → 用到的经典 ML 技法映射起来，方便你直接对号入座：

行业	课程正文给出的代表性案例	核心经典 ML 技法
金融 Finance	信用卡欺诈检测、财富管理	k-means 聚类的离群点检测；线性回归/多元回归评估基金绩效
教育 Education	预测学生行为（留存/流失）、纠偏	回归分析（NPS 与留存相关性）；NLP 系统中的性别偏见缓解
零售 Retail	个性化顾客旅程、库存与选品管理	NLP 实体抽取+情感标注的查询意图引擎；推荐与选品模型
医疗 Health Care	临床试验毒性预测、再入院管理、疾病传播管理	随机森林分类器；聚类；ARIMA/SARIMA 与逻辑曲线的时间序列预测
生态与绿色科技 Ecology & Green Tech	森林火灾建模、动物姿态感知、能源管理	强化学习（森林野火扩散）；分类器（绵羊姿态识别）；聚类+回归+时间序列（智能电表负荷预测）
保险 Insurance	金融模型波动性管理	二分类/有序分类可视化建模与预测
艺术、文化与文学 Arts, Culture & Literature	假新闻检测、博物馆策展预测	NLP 特征抽取 + NB/SVM/RF/SGD/LR 多种分类器集成；访客兴趣与到访预测模型
营销 Marketing	客户细分	聚类算法支撑差异化营销

各赛道与课程模块的技法对应关系

课程正文在讲述案例时，反复回指本仓库中的教学单元，这正是你"用什么学什么"的索引：

• 信用卡欺诈 → 离群点检测：k-means 不仅能聚类，还能把每笔交易按"偏离程度"归入簇，再评估高风险簇中欺诈与合法交易的比例。技法对应 k-means 聚类课。
• 财富管理 → 回归评估：用回归判断某基金相对基准（benchmark）的表现，并用多元回归纳入更多风险因子。对应 回归工具箱课 乃至整个 回归单元。
• 教育 NLP 偏见治理：写作助手类产品在自动纠错中处理性别偏见，与课程早前的公平性话题一脉相承，见 公平性入门课。
• 临床试验 → 随机森林分类器：用随机森林产出能区分"不同药物组别"的分类器。对应 分类单元。
• 疾病传播 → 时序建模：疫情研究中同时出现 ARIMA、逻辑曲线、线性回归与 SARIMA，正是 时间序列单元 的方法集合。
• 森林火灾 → 强化学习：加拿大研究团队把卫星影像上的野火建模为"蔓延代理"，在任意格点上选择向东/南/西/北蔓延或静止，属于 强化学习单元 的知识域；正文特别点出这种设定"反转"了常规 RL 场景——野火即时蔓延的马尔可夫决策过程（MDP）动力学是已知函数。
• 博物馆访客预测：芝加哥艺术学院在 2017 财年用模型将到访与门票收入预测误差控制在 1% 以内，用于打造个性化的观众体验——这本质上是一个分类/回归与排程预测问题。

实战路线：从一张白纸到一份"优秀"演示

把作业拆成五步工程化推进，每一步都能在仓库中找到对应弹药。

第 1 步：选题——找一个"真实但小巧"的切入点

在八大赛道中，优先选择你手头有数据可达性或你对业务有直觉的行业。判据三条：问题能用监督/无监督范式描述；痛点足够清晰可供演示叙事；数据规模小到可在单机 Notebook 内跑通。例如：与其泛谈"医疗智能化"，不如聚焦"基于历史就诊记录预测患者再入院风险"；与其泛谈"零售"，不如聚焦"用聚类把用户分群并设计差异化触达策略"。

第 2 步：把业务问题翻译成 ML 任务类型

这是作业中最体现功底的环节，判断规则可直接复用课程各单元：

• 输出是离散类别（欺诈/正常、高/中/低风险）→ 分类单元；
• 输出是连续数值（价格、能耗、收益）→ 回归单元；
• 目标是发现内在分组（客户细分、异常簇）→ 聚类单元；
• 数据主体是文本（评论、新闻、工单）→ NLP 单元，尤其是文本特征 + 分类器的组合；
• 样本带时间顺序且要外推（负荷、传播数、销量）→ 时间序列单元；
• 问题本质是序贯决策（调度、蔓延控制）→ 强化学习单元。

第 3 步：数据——先借用仓库样例集建立管线

加分项要求"收集样例数据"，仓库本身就内置了与课程配套的真实小数据集，可作起步或管线验证：

任务形态	仓库内数据集	配套教学 Notebook
回归	美国南瓜售价 US-pumpkins.csv	3-Linear 线性回归 Notebook
分类	菜系配料 cuisines.csv 与清洗版 cleaned_cuisines.csv	1-Introduction Notebook
聚类	尼日利亚歌曲特征 nigerian-songs.csv	2-K-Means Notebook
时间序列	电力能耗 energy.csv	3-SVR Notebook
NLP/文本分类	酒店评论实训（数据获取方式见 NLP data 目录说明）	4-Hotel-Reviews-1 Notebook 与 5-Hotel-Reviews-2

以这些样例集跑通"读取 → 清洗 → 训练 → 评估"的最小闭环后，再替换成你为黑客松准备的业务数据，能显著降低试错成本。各课的 solution 目录 中存放了参考答案（含 Python 与 R 两种实现），可用于校准你自己的结果。

第 4 步：建模与验证——让模型成为观点的论据

演示文稿若只有 PPT 而无数据支撑，最多停留在"合格"档。加分项的精髓是用一条可复现的建模结果佐证你的商业叙事。建议至少完成：特征工程（含类别编码与标准化）、训练/测试切分、一个基准模型与一个改进模型的对比、以及对应的评估指标（回归看 R²/MAPE，分类看准确率与混淆矩阵，聚类看轮廓系数，时序看滚动预测误差）。课程正文提到假新闻检测领域惯用"多分类器对比择优（NB、SVM、RF、SGD、LR）"的策略——把这种"多模型背靠背比较"的做法带进你的演示，本身就是专业性的体现。

第 5 步：路演包装——演示文稿的结构模板

结合作业对"讲解如何实现"的要求，推荐按以下大纲组织幻灯片：

1. 问题页：所在行业与具体业务痛点（一张图讲清"为什么值得做"）；
2. 数据页：数据来源、规模、字段说明与预处理方案；
3. 方法页：为何该问题适用所选经典 ML 任务类型（引用课程技法，如离群点检测、时间序列外推等）；
4. 结果页：模型评估指标、可视化结果与关键发现；
5. 落地页：如何被业务使用、局限性与后续迭代方向。

如果想让路演更具说服力，可参考 3-Web-App 单元 的做法——把训练好的模型包装成可交互的网页应用（该单元示范了 UFO 目击分类模型的 Web 化），让评委现场试用你的成果。课程第 9 部分的姊妹课 2-Debugging-ML-Models（用 Responsible AI 组件调试模型） 还提供了模型公平性与错误分析的方法，可作为演示"可信度"的加分素材。

提交前自检清单

对照评分表做最终核验：

• 演示文稿是否存在、结构是否完整（优秀档硬性条件）？
• 是否明确圈定了"八大行业之一"并清晰陈述了业务问题？
• 技术方案是否严格属于经典 ML 范畴，且与课程某单元形成了可指认的映射？
• 是否做到"有观点、有数据、有模型"三位一体（对应加分项）？
• 是否规避了教科书案例的平铺直叙，体现出差异化切入点（对应"创新性"要求）？

只要在以上五问中全部给出肯定回答，你的交付物就同时满足了"完整性、创新性、证据链"三项考核内涵，达到了评分标准中"优秀"档位所期望的水平。