[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Jack-Cherish--Machine-Learning":3,"tool-Jack-Cherish--Machine-Learning":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",147882,2,"2026-04-09T11:32:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":79,"difficulty_score":90,"env_os":91,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":113,"updated_at":114,"faqs":115,"releases":161},5869,"Jack-Cherish\u002FMachine-Learning","Machine-Learning",":zap:机器学习实战（Python3）：kNN、决策树、贝叶斯、逻辑回归、SVM、线性回归、树回归","Machine-Learning 是一个基于 Python3 的机器学习实战开源项目，旨在通过代码实现帮助初学者快速掌握核心算法。它涵盖了 kNN、决策树、朴素贝叶斯、逻辑回归、SVM 以及线性与树回归等经典模型，将抽象的数学理论转化为可运行的代码示例。\n\n该项目主要解决了机器学习入门过程中“理论易懂、代码难写”的痛点。通过提供从基础原理到实际应用的完整案例，如利用 kNN 进行数字识别、使用决策树辅助隐形眼镜配型、以及基于朴素贝叶斯构建垃圾邮件过滤器等，让用户能直观理解算法在真实场景中的运作逻辑。\n\nMachine-Learning 特别适合编程初学者、高校学生及希望转型进入 AI 领域的开发者使用。其独特亮点在于“教程 + 代码”的深度结合模式，每个算法章节都配有详尽的中文原创博客文章和对应的 GitHub 源码，内容循序渐进且通俗易懂。此外，项目还持续更新视频讲解与技术交流群，为学习者提供了良好的互动环境。如果你希望跳过繁琐的环境配置与理论推导，直接通过动手实践来夯实机器学习基础，这将是一个非常友好的起点。","# Machine-Learning\n* [In English](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FREADME-eng.md \"悬停显示\")\u003Cbr>\n\n原创文章每周最少两篇，**后续最新文章**会在[【公众号】](https:\u002F\u002Fcuijiahua.com\u002Fwp-content\u002Fuploads\u002F2020\u002F05\u002Fgzh-w.jpg)首发，视频[【B站】](https:\u002F\u002Fspace.bilibili.com\u002F331507846)首发，大家可以加我[【微信】](https:\u002F\u002Fcuijiahua.com\u002Fwp-content\u002Fuploads\u002F2020\u002F05\u002Fgzh-w.jpg)进**交流群**，技术交流或提意见都可以，欢迎**Star**！\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fcuijiahua.com\u002Fwp-content\u002Fuploads\u002F2020\u002F05\u002Fgzh-w.jpg\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FweChat-微信群-blue.svg\" alt=\"微信群\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fcuijiahua.com\u002Fwp-content\u002Fuploads\u002F2020\u002F05\u002Fgzh-w.jpg\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%E5%85%AC%E4%BC%97%E5%8F%B7-Jack%20Cui-lightgrey.svg\" alt=\"公众号\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fspace.bilibili.com\u002F331507846\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fbilibili-哔哩哔哩-critical\" alt=\"B站\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002FJack--Cui\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fzhihu-知乎-informational\" alt=\"知乎\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fblog.csdn.net\u002Fc406495762\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcsdn-CSDN-red.svg\" alt=\"CSDN\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.toutiao.com\u002Fc\u002Fuser\u002Ftoken\u002FMS4wLjABAAAA5gJtmezUJ6vli2hZvnN13iLnzKLpuF8gGHeS0iVlmNs\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Ftoutiao-%E5%A4%B4%E6%9D%A1-important.svg\" alt=\"头条\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fjuejin.im\u002Fuser\u002F5ea2ca74e51d4546b50d5f9f\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fjuejin-掘金-blue.svg\" alt=\"掘金\">\u003C\u002Fa>\n\u003C\u002Fp>\n\t\n### 文章首发声明\n\n* 文章在自己的公众号和个人网站首发，其他平台文章均属转发，如想获得最新更新进展，欢迎关注我的个人网站：http:\u002F\u002Fcuijiahua.com\u002F\n\n## 第二章：kNN（k-邻域算法）\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记(一)：k-近邻算法(史诗级干货长文) | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_1_knn.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F75172850 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28656126 \"悬停显示\") |\n\n\n### 代码\n\n* [1.简单k-NN](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Ftree\u002Fmaster\u002FkNN\u002F1.%E7%AE%80%E5%8D%95k-NN \"悬停显示\")\n\n* [2.海伦约会](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Ftree\u002Fmaster\u002FkNN\u002F2.%E6%B5%B7%E4%BC%A6%E7%BA%A6%E4%BC%9A \"悬停显示\")\n\n* [3.数字识别](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Ftree\u002Fmaster\u002FkNN\u002F3.%E6%95%B0%E5%AD%97%E8%AF%86%E5%88%AB \"悬停显示\")\n\n## 第三章：Decision Tree（决策树）\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记(二)：决策树基础篇之让我们从相亲说起 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_2_decision_tree_1.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F75663451 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28688281 \"悬停显示\") |\n| Python3《机器学习实战》学习笔记(三)：决策树实战篇之为自己配个隐形眼镜 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_3_decision_tree_2.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F76262487 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28714382 \"悬停显示\") |\n\n### 代码\n  \n* [1.贷款预测](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FDecision%20Tree\u002FDecision%20Tree.py \"悬停显示\")\n\n* [2.隐形眼镜](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FDecision%20Tree\u002FSklearn-Decision%20Tree.py \"悬停显示\")\n\n## 第四章：Navie Bayes（朴素贝叶斯）\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（四）：朴素贝叶斯基础篇之言论过滤器 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_4_bayes_1.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F77341116 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28719332 \"悬停显示\") |\n| Python3《机器学习实战》学习笔记（五）：朴素贝叶斯实战篇之新浪新闻分类 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_5_bayes_2.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F77500679 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28720393 \"悬停显示\") |\n\n### 代码\n  \n* [1.言论过滤器](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FNaive%20Bayes\u002Fbayes.py \"悬停显示\")\n\n* [2.垃圾邮件过滤器](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FNaive%20Bayes\u002Fbayes-modify.py \"悬停显示\")\n\n* [3.新浪新闻分类器](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FNaive%20Bayes\u002Fnbc.py \"悬停显示\")\n  \n## 第五章：Logistic（Logistic回归）\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（六）：Logistic回归基础篇之梯度上升算法 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_6_logistic_1.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F77723333 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28922957 \"悬停显示\") |\n| Python3《机器学习实战》学习笔记（七）：Logistic回归实战篇之预测病马死亡率 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_7_logistic_2.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F77851973 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29073560 \"悬停显示\") |\n\n### 代码\n\n* [1.Logistic基础训练](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FLogistic\u002FLogRegres.py \"悬停显示\")\n\n* [2.改进的随机梯度上升算法](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FLogistic\u002FLogRegres-gj.py \"悬停显示\")\n\n* [3.病马死亡率预测](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FLogistic\u002FcolicLogRegres.py \"悬停显示\")\n\n## 第六章：SVM（支持向量机）\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（八）：支持向量机原理篇之手撕线性SVM | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_8_svm_1.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F78072313 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29604517 \"悬停显示\") |\n| Python3《机器学习实战》学习笔记（九）：支持向量机实战篇之再撕非线性SVM | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_9_svm_2.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F78158354 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29872905 \"悬停显示\") |\n\n### 代码\n\n* [1.简化版SMO算法](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FSVM\u002Fsvm-simple.py \"悬停显示\")\n\n* [2.完整版SMO算法](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FSVM\u002Fsvm-smo.py \"悬停显示\")\n\n* [3.非线性SVM](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FSVM\u002FsvmMLiA.py \"悬停显示\")\n\n* [4.Sklearn SVC手写数字识别](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FSVM\u002Fsvm-svc.py \"悬停显示\")\n\n## 第七章：AdaBoost\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（十）：提升分类器性能利器-AdaBoost | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_10_adaboost.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F78212124 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30035094 \"悬停显示\") |\n\n### 代码\n\n* [1.基于单层决策树的AdaBoost训练过程](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FAdaBoost\u002Fadaboost.py \"悬停显示\")\n\n* [2.在难数据集上应用AdaBoost](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FAdaBoost\u002Fhorse_adaboost.py \"悬停显示\")\n\n* [3.sklearn实现AdaBoost](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FAdaBoost\u002Fsklearn_adaboost.py \"悬停显示\")\n\n* [4.ROC曲线绘制](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FAdaBoost\u002FROC.py \"悬停显示\")\n\n## 第八章：Regression\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（十一）：线性回归基础篇之预测鲍鱼年龄 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_11_regression_1.html \"悬停显示\") |[CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F78760239 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31860100  \"悬停显示\")|\n| Python3《机器学习实战》学习笔记（十二）：线性回归提高篇之乐高玩具套件二手价预测 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F12\u002Fml_12_regression_2.html \"悬停显示\") | no | no |\n\n### 代码\n\n* [1.线性回归(普通线性回归+局部加权线性回归)](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FRegression\u002Fregression_old.py \"悬停显示\")\n\n* [2.预测鲍鱼年龄](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FRegression\u002Fabalone.py \"悬停显示\")\n\n* [3.逐步线性回归](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FRegression\u002Fregression.py \"悬停显示\")\n\n* [4.乐高玩具二手价格预测](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FRegression\u002Flego.py \"悬停显示\")\n\n## 第九章：Regression Tree\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（十三）：树回归基础篇之CART算法与树剪枝 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F12\u002Fml_13_regtree_1.html \"悬停显示\") | no | no |\n\n\n### 代码\n\n* [1.树回归](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FRegression%20Trees\u002FregTrees.py \"悬停显示\")\n\n## 聚类\n\n|   文章   |  个人网站  |    公众号    |\n| :------  | :--------: | :--------: |\n| 嘿，来聚个类！| [个人网站](https:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2021\u002F04\u002Fml-14.html) | [公众号](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FoxB5icj8KOfFja8XTHf7jg) |\n\n更多精彩，敬请期待！\n\n\u003Ca name=\"微信\">\u003C\u002Fa>  \u003Ca name=\"公众号\">\u003C\u002Fa>\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJack-Cherish_Machine-Learning_readme_15d62dc91122.jpg\" alt=\"wechat\" width=\"400\" height=\"200\" align=\"bottom\" \u002F>\n","# 机器学习\n* [英文版](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FREADME-eng.md \"悬停显示\")\u003Cbr>\n\n原创文章每周最少两篇，**后续最新文章**会在[【公众号】](https:\u002F\u002Fcuijiahua.com\u002Fwp-content\u002Fuploads\u002F2020\u002F05\u002Fgzh-w.jpg)首发，视频[【B站】](https:\u002F\u002Fspace.bilibili.com\u002F331507846)首发，大家可以加我[【微信】](https:\u002F\u002Fcuijiahua.com\u002Fwp-content\u002Fuploads\u002F2020\u002F05\u002Fgzh-w.jpg)进**交流群**，技术交流或提意见都可以，欢迎**Star**！\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fcuijiahua.com\u002Fwp-content\u002Fuploads\u002F2020\u002F05\u002Fgzh-w.jpg\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FweChat-微信群-blue.svg\" alt=\"微信群\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fcuijiahua.com\u002Fwp-content\u002Fuploads\u002F2020\u002F05\u002Fgzh-w.jpg\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%E5%85%AC%E4%BC%97%E5%8F%B7-Jack%20Cui-lightgrey.svg\" alt=\"公众号\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fspace.bilibili.com\u002F331507846\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fbilibili-哔哩哔哩-critical\" alt=\"B站\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002FJack--Cui\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fzhihu-知乎-informational\" alt=\"知乎\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fblog.csdn.net\u002Fc406495762\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcsdn-CSDN-red.svg\" alt=\"CSDN\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.toutiao.com\u002Fc\u002Fuser\u002Ftoken\u002FMS4wLjABAAAA5gJtmezUJ6vli2hZvnN13iLnzKLpuF8gGHeS0iVlmNs\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Ftoutiao-%E5%A4%B4%E6%9D%A1-important.svg\" alt=\"头条\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fjuejin.im\u002Fuser\u002F5ea2ca74e51d4546b50d5f9f\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fjuejin-掘金-blue.svg\" alt=\"掘金\">\u003C\u002Fa>\n\u003C\u002Fp>\n\t\n### 文章首发声明\n\n* 文章在自己的公众号和个人网站首发，其他平台文章均属转发，如想获得最新更新进展，欢迎关注我的个人网站：http:\u002F\u002Fcuijiahua.com\u002F\n\n## 第二章：kNN（k-邻域算法）\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记(一)：k-近邻算法(史诗级干货长文) | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_1_knn.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F75172850 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28656126 \"悬停显示\") |\n\n\n### 代码\n\n* [1.简单k-NN](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Ftree\u002Fmaster\u002FkNN\u002F1.%E7%AE%80%E5%8D%95k-NN \"悬停显示\")\n\n* [2.海伦约会](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Ftree\u002Fmaster\u002FkNN\u002F2.%E6%B5%B7%E4%BC%A6%E7%BA%A6%E4%BC%9A \"悬停显示\")\n\n* [3.数字识别](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Ftree\u002Fmaster\u002FkNN\u002F3.%E6%95%B0%E5%AD%97%E8%AF%86%E5%88%AB \"悬停显示\")\n\n## 第三章：Decision Tree（决策树）\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记(二)：决策树基础篇之让我们从相亲说起 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_2_decision_tree_1.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F75663451 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28688281 \"悬停显示\") |\n| Python3《机器学习实战》学习笔记(三)：决策树实战篇之为自己配个隐形眼镜 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_3_decision_tree_2.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F76262487 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28714382 \"悬停显示\") |\n\n### 代码\n  \n* [1.贷款预测](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FDecision%20Tree\u002FDecision%20Tree.py \"悬停显示\")\n\n* [2.隐形眼镜](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FDecision%20Tree\u002FSklearn-Decision%20Tree.py \"悬停显示\")\n\n## 第四章：Navie Bayes（朴素贝叶斯）\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（四）：朴素贝叶斯基础篇之言论过滤器 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_4_bayes_1.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F77341116 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28719332 \"悬停显示\") |\n| Python3《机器学习实战》学习笔记（五）：朴素贝叶斯实战篇之新浪新闻分类 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_5_bayes_2.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F77500679 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28720393 \"悬停显示\") |\n\n### 代码\n  \n* [1.言论过滤器](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FNaive%20Bayes\u002Fbayes.py \"悬停显示\")\n\n* [2.垃圾邮件过滤器](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FNaive%20Bayes\u002Fbayes-modify.py \"悬停显示\")\n\n* [3.新浪新闻分类器](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FNaive%20Bayes\u002Fnbc.py \"悬停显示\")\n  \n## 第五章：Logistic（Logistic回归）\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（六）：Logistic回归基础篇之梯度上升算法 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_6_logistic_1.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F77723333 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28922957 \"悬停显示\") |\n| Python3《机器学习实战》学习笔记（七）：Logistic回归实战篇之预测病马死亡率 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_7_logistic_2.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F77851973 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29073560 \"悬停显示\") |\n\n### 代码\n\n* [1.Logistic基础训练](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FLogistic\u002FLogRegres.py \"悬停显示\")\n\n* [2.改进的随机梯度上升算法](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FLogistic\u002FLogRegres-gj.py \"悬停显示\")\n\n* [3.病马死亡率预测](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FLogistic\u002FcolicLogRegres.py \"悬停显示\")\n\n## 第六章：SVM（支持向量机）\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（八）：支持向量机原理篇之手撕线性SVM | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_8_svm_1.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F78072313 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29604517 \"悬停显示\") |\n| Python3《机器学习实战》学习笔记（九）：支持向量机实战篇之再撕非线性SVM | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_9_svm_2.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F78158354 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29872905 \"悬停显示\") |\n\n### 代码\n\n* [1.简化版SMO算法](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FSVM\u002Fsvm-simple.py \"悬停显示\")\n\n* [2.完整版SMO算法](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FSVM\u002Fsvm-smo.py \"悬停显示\")\n\n* [3.非线性SVM](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FSVM\u002FsvmMLiA.py \"悬停显示\")\n\n* [4.Sklearn SVC手写数字识别](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FSVM\u002Fsvm-svc.py \"悬停显示\")\n\n## 第七章：AdaBoost\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（十）：提升分类器性能利器-AdaBoost | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_10_adaboost.html \"悬停显示\") | [CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F78212124 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30035094 \"悬停显示\") |\n\n### 代码\n\n* [1.基于单层决策树的AdaBoost训练过程](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FAdaBoost\u002Fadaboost.py \"悬停显示\")\n\n* [2.在难数据集上应用AdaBoost](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FAdaBoost\u002Fhorse_adaboost.py \"悬停显示\")\n\n* [3.sklearn实现AdaBoost](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FAdaBoost\u002Fsklearn_adaboost.py \"悬停显示\")\n\n* [4.ROC曲线绘制](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FAdaBoost\u002FROC.py \"悬停显示\")\n\n## 第八章：回归\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（十一）：线性回归基础篇之预测鲍鱼年龄 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_11_regression_1.html \"悬停显示\") |[CSDN](http:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F78760239 \"悬停显示\") | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31860100  \"悬停显示\")|\n| Python3《机器学习实战》学习笔记（十二）：线性回归提高篇之乐高玩具套件二手价预测 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F12\u002Fml_12_regression_2.html \"悬停显示\") | 无 | 无 |\n\n### 代码\n\n* [1.线性回归(普通线性回归+局部加权线性回归)](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FRegression\u002Fregression_old.py \"悬停显示\")\n\n* [2.预测鲍鱼年龄](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FRegression\u002Fabalone.py \"悬停显示\")\n\n* [3.逐步线性回归](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FRegression\u002Fregression.py \"悬停显示\")\n\n* [4.乐高玩具二手价格预测](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FRegression\u002Flego.py \"悬停显示\")\n\n## 第九章：回归树\n\n|   文章   |  个人网站  |    CSDN    |    知乎    |\n| :------  | :--------: | :--------: | :--------: |\n| Python3《机器学习实战》学习笔记（十三）：树回归基础篇之CART算法与树剪枝 | [个人网站](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F12\u002Fml_13_regtree_1.html \"悬停显示\") | 无 | 无 |\n\n\n### 代码\n\n* [1.树回归](https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fblob\u002Fmaster\u002FRegression%20Trees\u002FregTrees.py \"悬停显示\")\n\n## 聚类\n\n|   文章   |  个人网站  |    公众号    |\n| :------  | :--------: | :--------: |\n| 嘿，来聚个类！| [个人网站](https:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2021\u002F04\u002Fml-14.html) | [公众号](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FoxB5icj8KOfFja8XTHf7jg) |\n\n更多精彩，敬请期待！\n\n\u003Ca name=\"微信\">\u003C\u002Fa>  \u003Ca name=\"公众号\">\u003C\u002Fa>\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJack-Cherish_Machine-Learning_readme_15d62dc91122.jpg\" alt=\"wechat\" width=\"400\" height=\"200\" align=\"bottom\" \u002F>","# Machine-Learning 快速上手指南\n\n本仓库是 Jack-Cherish 出品的《机器学习实战》系列教程配套代码，涵盖 kNN、决策树、朴素贝叶斯、逻辑回归、SVM、AdaBoost、线性回归及树回归等经典算法的 Python3 实现。\n\n## 环境准备\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux\n*   **Python 版本**：推荐 Python 3.6+\n*   **核心依赖**：\n    *   `numpy`\n    *   `matplotlib`\n    *   `scikit-learn` (部分章节使用)\n\n建议国内开发者使用清华源或阿里源安装依赖，以提升下载速度。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning.git\n    cd Machine-Learning\n    ```\n\n2.  **安装依赖库**\n    如果项目中包含 `requirements.txt`，请直接运行：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    若无该文件，请手动安装核心库：\n    ```bash\n    pip install numpy matplotlib scikit-learn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n本仓库按算法章节分类存放代码。以下以 **第二章：kNN（k-近邻算法）** 中的“简单 k-NN\"为例演示运行方法。\n\n1.  **进入对应章节目录**\n    ```bash\n    cd kNN\u002F1.简单 k-NN\n    ```\n\n2.  **运行示例代码**\n    直接执行 Python 脚本即可看到算法运行结果（如分类测试或数据可视化）：\n    ```bash\n    python kNN.py\n    ```\n    *(注：具体文件名请以目录内实际 `.py` 文件为准，部分章节可能包含多个脚本，如 `kNN.py`, `datingTestSet.py` 等)*\n\n3.  **学习理论内容**\n    代码运行前，建议结合对应的教程文章理解算法原理：\n    *   **个人网站**：[k-近邻算法 (史诗级干货长文)](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F11\u002Fml_1_knn.html)\n    *   **CSDN\u002F知乎**：可在仓库 README 中找到对应平台的转载链接。\n\n其他章节（如决策树、SVM、AdaBoost 等）使用方法相同，只需进入相应文件夹（如 `Decision Tree`, `SVM`, `AdaBoost`）并运行其中的 `.py` 脚本即可复现书中的案例。","某电商初创公司的数据分析师需要快速构建一个用户评论情感分析系统，以监控新品上市后的口碑风向。\n\n### 没有 Machine-Learning 时\n- **算法实现从零开始**：团队需手动编写朴素贝叶斯或逻辑回归的底层数学公式，耗费数天时间调试代码，极易出现数值计算错误。\n- **缺乏实战参考**：面对中文分词处理和特征提取等具体工程问题，只能查阅晦涩的理论文档，缺乏可运行的代码范例作为基准。\n- **模型验证困难**：没有现成的数据集划分和评估流程，难以判断模型是过拟合还是欠拟合，导致上线风险不可控。\n- **技术门槛过高**：初级工程师因无法理解复杂的矩阵运算而停滞不前，项目进度严重依赖资深算法专家的个人时间。\n\n### 使用 Machine-Learning 后\n- **即插即用代码**：直接调用项目中“新浪新闻分类”或“言论过滤器”的成熟代码模块，将核心算法实现时间从几天缩短至几小时。\n- **全流程实战指引**：参照作者提供的详细教程，快速掌握从数据清洗、训练到测试的完整闭环，轻松解决中文文本处理的坑点。\n- **标准化评估体系**：利用内置的测试脚本自动完成准确率验证，迅速迭代优化参数，确保模型在上线前达到预期效果。\n- **降低学习曲线**：团队成员通过复现“海伦约会”等趣味案例快速上手，即使基础薄弱也能独立承担模块开发任务。\n\nMachine-Learning 通过将抽象算法转化为可执行的 Python3 实战代码，让中小团队能以最低成本快速落地高质量的机器学习应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJack-Cherish_Machine-Learning_af7ec61b.png","Jack-Cherish","Jack Cui","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FJack-Cherish_afc71799.jpg","公众号：jackcui-ai","Northeastern University","China","c411184003@gmail.com",null,"https:\u002F\u002Fcuijiahua.com\u002F","https:\u002F\u002Fgithub.com\u002FJack-Cherish",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,10273,5103,"2026-04-08T14:08:22",1,"未说明",{"notes":93,"python":94,"dependencies":95},"该项目为《机器学习实战》书籍的代码实现，涵盖 kNN、决策树、朴素贝叶斯、逻辑回归、SVM、AdaBoost、线性回归及树回归等基础算法。代码主要基于原生 Python 实现以演示算法原理，部分示例使用了 scikit-learn 库。README 中未明确列出具体的依赖版本、硬件配置或操作系统要求，通常此类基础机器学习算法在任意支持 Python 3 的主流操作系统上均可运行，且对 GPU 无特殊需求。","Python 3",[96,97,98],"numpy","matplotlib","scikit-learn",[14],[101,102,103,104,105,106,107,108,109,110,111,112],"adaboost","logistic","svm","smo","knn","machine-learning","python","python3","navie-bayes-algorithm","decision-tree","adaboost-algorithm","regression","2026-03-27T02:49:30.150509","2026-04-09T21:34:02.867171",[116,121,126,131,136,141,146,151,156],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},26631,"如何获取项目中的数据集（如数字识别训练集和测试集）？","不需要单独下载数据包，直接使用 git clone 命令克隆整个仓库即可包含所有数据。命令：git clone https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning","https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fissues\u002F13",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},26632,"运行贝叶斯垃圾邮件分类代码时出现 'utf-8' codec can't decode byte 错误怎么办？","这是 Python 3 文件编码问题。解决方法是将打开文件的代码指定正确的编码格式（如 'ISO-8859-1'），并修正正则表达式分割符。修改示例：将 textParse(open('email\u002Fham\u002F%d.txt' % i, 'r').read()) 改为 textParse(open('email\u002Fspam\u002F%d.txt' % i, 'r', encoding='ISO-8859-1').read())，同时将 re.split(r'\\W*', bigString) 改为 re.split(r'\\W+', bigString)。","https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fissues\u002F5",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},26633,"为什么我的 KNN 约会网站预测错误率与博主结果不一致（如 8% vs 3%）？","首先检查代码缩进是否正确，缩进错误会导致逻辑偏差。其次，如果数据集较小，错误率存在一定浮动是正常现象。确保参数（如测试样本数、k 值）设置完全一致。","https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fissues\u002F6",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},26634,"决策树代码中初始最优特征索引为什么赋值为 -1？","赋值为 -1 是为了给一个不可能的初始值。因为特征索引是从 0 开始的正整数，所以只要设置为负数（如 -1）即可表示尚未找到最优特征，不能赋值为 0 或正数。","https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fissues\u002F7",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},26635,"朴素贝叶斯新闻分类错误率高达 60%，代码是否有误？","博客文章中可能存在笔误。请检查字符串转列表的正则表达式，应将 re.split(r'\\W*', bigString) 修改为 re.split(r'\\W+', bigString)。GitHub 源码中该部分是正确的，请以源码为准。","https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fissues\u002F14",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},26636,"SVM 算法中预测类别 fXi 的矩阵化计算公式是什么原理？","fXi 的计算采用了矩阵化运算以提高效率。公式 fXi = float(np.multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[i,:].T)) + b 等价于对每条数据逐个计算。如果使用循环逐条计算，逻辑是一样的，但矩阵化计算速度更快。","https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fissues\u002F15",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},26637,"SMO 算法中 selectJ 函数里的误差值需要重新计算吗？之前存入的误差可以省略吗？","建议每次更新时都重新计算误差（调用 calEk）。虽然代码中之前有存储误差的步骤，但在 SMO 迭代过程中，为了保证准确性，印象中和最佳实践都是每次更新都需要同步更新误差值。","https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fissues\u002F11",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},26638,"SMO 算法实现中支持向量到超平面的间隔为什么不相等且超过容错率？","这不仅涉及容错率，还受到软间隔参数 C 的影响。在软间隔 SVM 中，支持向量不一定严格位于间隔边界上，因此计算出的间隔可能不完全相等。此外，eta\u003C=0 时意味着目标函数二阶偏导非正，一阶导数无最小值，此时 alpha 通常处于边界状态，不进行更新。","https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fissues\u002F1",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},26639,"可以将该仓库的内容翻译成其他语言吗？","可以的，欢迎贡献。翻译完成后，请直接提交 Pull Request (PR) 到仓库，维护者会进行审核合并。","https:\u002F\u002Fgithub.com\u002FJack-Cherish\u002FMachine-Learning\u002Fissues\u002F9",[]]