Machine-Learning-Notes
Machine-Learning-Notes 是一套基于“白板推导”系列视频课程整理的机器学习学习笔记源码库。它系统性地涵盖了从线性回归、支持向量机等经典算法，到深度信念网络、生成对抗网络等前沿模型，乃至强化学习与概率图模型等高级主题，共计 33 个核心章节。
这份资料主要解决了机器学习学习者在面对复杂数学推导时“听懂了但不会写”或“缺乏系统复习框架”的痛点。通过将视频中的板书内容转化为可编辑的代码与文档，它为学习者提供了一个结构清晰的基础框架，方便大家在此基础上进行修正、补充和个性化修改，从而更深入地理解算法背后的数学原理。
Machine-Learning-Notes 特别适合机器学习开发者、科研人员以及高校学生使用。对于希望夯实理论基础的研究者，它是极佳的复习提纲；对于需要快速回顾公式推导的开发者，它提供了便捷的查阅索引。其独特的技术亮点在于完整的知识体系覆盖与开源协作模式：不仅内容横跨传统统计学习到现代深度学习的全谱系，还鼓励社区通过 Pull Request 共同纠错和完善，确保持续迭代与准确性。无论你是想从零构建知识体系，还是寻找特定算法的推导细节，这里都能提供扎实的帮助。
使用场景
一名刚入职的算法工程师在准备技术分享时，需要快速梳理从线性回归到深度生成模型的完整数学推导逻辑。
没有 Machine-Learning-Notes 时
- 资料碎片化严重：需要在 B 站视频、零散博客和厚重教材间反复跳转，难以将“白板推导”系列中 33 个章节的知识点串联成体系。
- 公式复现成本高：手动整理复杂的数学推导（如变分推断、卡尔曼滤波）极易出现笔误，耗费大量时间校对符号与步骤。
- 缺乏统一框架：笔记格式杂乱无章，缺少标准化的结构作为基础，导致复习时重点模糊，难以快速定位核心算法原理。
- 进阶学习断层：从基础的线性分类跨越到强化学习或概率图模型时，因缺乏中间环节的清晰笔记支撑，理解深度受限。
使用 Machine-Learning-Notes 后
- 知识体系一键获取：直接基于涵盖线性回归至强化学习动态规划的 33 章完整笔记框架，迅速构建起系统化的机器学习知识地图。
- 推导过程准确可靠：利用已整理好的初版源码作为底稿，大幅减少手动推导错误，可专注于理解算法背后的数学直觉而非纠结于计算细节。
- 二次开发效率高：以现有笔记为基础框架进行个性化修改和补充，快速产出格式规范、逻辑清晰的技术文档或分享材料。
- 疑难章节有迹可循：面对高斯过程、粒子滤波等高难章节，可直接参考对应的推导笔记，平滑跨越从传统机器学习到深度生成的认知鸿沟。
Machine-Learning-Notes 将零散的视频课程转化为结构化的代码笔记，让算法学习者从繁琐的整理工作中解放出来，专注于核心逻辑的消化与创新。
运行环境要求
未说明
未说明
快速开始
有一些小伙伴想要源码，我就放上来了，可能有一些笔误，发现问题大家可以提pull request请求，也可以作为大家笔记的基础框架自行修改。希望可以帮助到大家！麻烦记得star！！！
机器学习笔记
白板推导系列课程笔记 初版
本课程是来自： https://www.bilibili.com/video/av70839977?from=search&seid=17607290845262629055 目前，是初版的笔记，比较的乱，等全部写完，我会再做处理。各位从知乎上看到链接过来的，取完以后您可以在知乎上留个赞，就更好了。之后我会继续更新，直到写完这个系列为止。谢谢各位了，包括的章节为：
01 白板推导 线性回归
02 白板推导 数学基础
03 白板推导 指数族分布
04 白板推导 线性分类
05 白板推导 贝叶斯线性回归
06 白板推导 前馈神经网络
07 白板推导 支持向量机
08 白板推导 核方法
09 白板推导 变分推断
10 白板推导 概率图模型
11 白板推导 高斯过程
12 白板推导 EM算法
13 白板推导 高斯混合模型
14 白板推导 马尔可夫链蒙特卡罗采样
15 白板推导 隐马尔可夫模型
16 白板推导 卡曼滤波
17 白板推导 粒子滤波
18 白板推导 条件随机场
19 白板推导 高斯网络
20 白板推导 受限玻尔兹曼机
21 白板推导 谱聚类
22 白板推导 直面配分函数
23 白板推导 近似推断
24 白板推导 Sigmoid信念网络
25 白板推导 深度信念网络
26 白板推导 玻尔兹曼机
27 白板推导 深度玻尔兹曼机
28 白板推导 生成模型
29 白板推导 生成对抗网络
30 白板推导 变分自编码器
31 白板推导 流模型
32 白板推导 强化学习马尔可夫决策过程
33 白板推导 强化学习动态规划
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。