[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-RedstoneWill--HsuanTienLin_MachineLearning":3,"tool-RedstoneWill--HsuanTienLin_MachineLearning":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",148568,2,"2026-04-09T23:34:24",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":65,"owner_location":65,"owner_email":76,"owner_twitter":65,"owner_website":77,"owner_url":78,"languages":65,"stars":79,"forks":80,"last_commit_at":81,"license":65,"difficulty_score":82,"env_os":83,"env_gpu":84,"env_ram":84,"env_deps":85,"category_tags":88,"github_topics":89,"view_count":32,"oss_zip_url":65,"oss_zip_packed_at":65,"status":17,"created_at":91,"updated_at":92,"faqs":93,"releases":94},6192,"RedstoneWill\u002FHsuanTienLin_MachineLearning","HsuanTienLin_MachineLearning",null,"HsuanTienLin_MachineLearning 是一个汇聚台湾大学林轩田老师经典机器学习课程资源的开源项目，旨在为学习者提供系统化的入门与进阶资料。该项目完整收录了《机器学习基石》与《机器学习技法》两门课程的视频、课件、精炼笔记及配套教材，有效解决了机器学习领域理论抽象难懂、优质中文学习资源分散的问题。\n\n课程内容设计逻辑严密，从“机器为何能学习”的理论基础（如 VC 维、泛化理论），逐步深入到支持向量机、随机森林、神经网络等经典算法的实现与优化。其独特亮点在于将严谨的数学推导与幽默风趣的教学风格相结合，并提供了作者精心整理的离线笔记与书籍扩展章节，帮助读者在轻松氛围中构建完整的知识体系。\n\n这套资源非常适合计算机专业的学生、AI 领域的初学者以及希望夯实理论基础的开发者和研究人员使用。无论是想要从零开始探索机器学习奥秘，还是寻求深入理解算法背后数学原理的进阶用户，都能在此找到清晰的学习路径和详实的参考资料，是自学机器学习不可多得的宝藏库。","# NTU-HsuanTienLin-MachineLearning（林轩田机器学习）\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_4aaa35f44109.jpg)\n\n## 1. 课程介绍\n\n台湾大学林轩田老师曾在coursera上开设了两门机器学习经典课程：《机器学习基石》和《机器学习技法》。《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。《机器学习技法》课程主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。在此，笔者将把这两门课的所有视频、笔记、书籍等详细资料分享给大家。\n\n首先附上这两门课的主页：\n\n[Hsuan-Tien Lin 机器学习基石](https:\u002F\u002Fwww.csie.ntu.edu.tw\u002F~htlin\u002F)\n\n## 2. 课程内容\n\n### 2.1 《机器学习基石》\n\n这门课主要涉及机器学习关键问题的四个方面：\n\n- **When Can Machine Learn?**\n\n- **Why Can Machine Learn?**\n\n- **How Can Machine Learn?**\n\n- **How Can Machine Learn Better?**\n\n其中每个方面包含4节课，总共有16节课。具体所有课程内容如下：\n\n- **When Can Machine Learn?**\n\t\n - [The Learning Problem](https:\u002F\u002Fredstonewill.com\u002F65\u002F)\n\n - [Learning to Answer Yes\u002FNo](https:\u002F\u002Fredstonewill.com\u002F70\u002F)\n\n - [Types of Learning](https:\u002F\u002Fredstonewill.com\u002F73\u002F)\n\n - [Feasibility of Learning](https:\u002F\u002Fredstonewill.com\u002F77\u002F)\n\n- **Why Can Machine Learn?**\n\n - [Training versus Testing](https:\u002F\u002Fredstonewill.com\u002F80\u002F)\n\n - [Theory of Generalization](https:\u002F\u002Fredstonewill.com\u002F217\u002F)\n\n - [The VC Dimension](https:\u002F\u002Fredstonewill.com\u002F222\u002F)\n\n - [Noise and Error](https:\u002F\u002Fredstonewill.com\u002F227\u002F)\n\n- **How Can Machine Learn?**\n\n - [Linear Regression](https:\u002F\u002Fredstonewill.com\u002F232\u002F)\n\n - [Logistic Regression](https:\u002F\u002Fredstonewill.com\u002F236\u002F)\n\n - [Linear Models for Classification](https:\u002F\u002Fredstonewill.com\u002F243\u002F)\n\n - [Nonlinear Transformation](https:\u002F\u002Fredstonewill.com\u002F246\u002F)\n\n- **How Can Machine Learn Better?**\n\n - [Hazard of Overfitting](https:\u002F\u002Fredstonewill.com\u002F249\u002F)\n\n - [Regularization](https:\u002F\u002Fredstonewill.com\u002F252\u002F)\n\n - [Validation](https:\u002F\u002Fredstonewill.com\u002F255\u002F)\n\n - [Three Learning Principles](https:\u002F\u002Fredstonewill.com\u002F311\u002F)\n\t\n### 2.2 《机器学习技法》\n\n这门课主要涉及机器学习经典算法的三个方面：\n\n- **Embedding Numerous Features: Kernel Models**\n\n- **Combining Predictive Features: Aggregation Models**\n\n- **Distilling Implicit Features: Extraction Models**\n\n总共有16节课。具体所有课程内容如下：\n\n- **Embedding Numerous Features: Kernel Models**\n\t\n - [Linear Support Vector Machine](https:\u002F\u002Fredstonewill.com\u002F345\u002F)\n\n - [Dual Support Vector Machine](https:\u002F\u002Fredstonewill.com\u002F369\u002F)\n\n - [Kernel Support Vector Machine](https:\u002F\u002Fredstonewill.com\u002F393\u002F)\n\n - [Soft-Margin Support Vector Machine](https:\u002F\u002Fredstonewill.com\u002F417\u002F)\n\t\n - [Kernel Logistic Regression](https:\u002F\u002Fredstonewill.com\u002F456\u002F)\n\t\n - [Support Vector Regression](https:\u002F\u002Fredstonewill.com\u002F477\u002F)\n\n- **Combining Predictive Features: Aggregation Models**\n\n - [Blending and Bagging](https:\u002F\u002Fredstonewill.com\u002F509\u002F)\n\n - [Adaptive Boosting](https:\u002F\u002Fredstonewill.com\u002F535\u002F)\n\n - [Decision Tree](https:\u002F\u002Fredstonewill.com\u002F569\u002F)\n\n - [Random Forest](https:\u002F\u002Fredstonewill.com\u002F601\u002F)\n\t\n - [Gradient Boosted Decision Tree](https:\u002F\u002Fredstonewill.com\u002F644\u002F)\n\n- **Distilling Implicit Features: Extraction Models**\n\n - [Neural Network](https:\u002F\u002Fredstonewill.com\u002F682\u002F)\n\n - [Deep Learning](https:\u002F\u002Fredstonewill.com\u002F710\u002F)\n\n - [Radial Basis Function Network](https:\u002F\u002Fredstonewill.com\u002F739\u002F)\n\n - [Matrix Factorization](https:\u002F\u002Fredstonewill.com\u002F783\u002F)\n\t\n - [Finale](https:\u002F\u002Fredstonewill.com\u002F810\u002F)\n\n## 3. 资源汇总\n\n笔者在学习这门课的过程中整理了各种课程资源，包括视频、笔记、书籍等。具体如下：\n\n### 3.1 课程视频\n\n课程视频在B站上可以直接观看哦～这里附上传送门：\n\n[机器学习基石（林轩田）](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav36731342)\n\n[机器学习技法（林轩田）](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav36760800)\n\n### 3.2 课程课件\n\n此项目包含了林轩田机器学习课程完整的课件：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_ebeec260dec1.png)\n\n### 3.3 课程笔记\n\n这是笔者最用心整理也是花的时间最多的，读者可以边看视频边看我的笔记，希望能给读者提供微薄之力。所有精炼笔记都已发布在个人主页上。但是为了便于大家线下阅读，特此将笔记的pdf文件全都发布在github上，可供查阅和打印。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_a36df12fa8bc.png)\n\n另外，我已经把完整的林轩田机器学习笔记整理成一个pdf文件，就放在项目根目录下了。\n\n### 3.4 课程书籍\n\n林轩田机器学习基石这门课有一个配套教材：《Learning From Data》，林轩田也是编者之一。这本书的主页为：\n\n[Learning From Data](http:\u002F\u002Famlbook.com\u002F)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_b015d212ea05.jpg)\n\n豆瓣上关于这本书的评分高达9.4，还是很不错的，值得推荐！可以配套视频一起学习。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_6d8b394ab156.jpg)\n\n机器学习技法对这本书添加了一些章节，作为扩展。原书和附加章节均放在本项目中。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_61a6cbc396cf.png)\n\n### 4 完整下载\n\n该GitHub项目中完整的资源均已整理好，方便大家免费下载。想要获得离线资源的可以在公众号：**AI有道（ID: redstonewill）**，后台回复：**Lin**，即可获取。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_ee338f531fe7.jpg)\n\n## 5. 最后\n\n如果觉得我的分享对你有用，那么就**Star**一下吧～同时，也欢迎大家关注我的微信公众号：**AI有道（ID: redstonewill）**。我会一如既往发布更多更好的文章给大家！一起学习，共同进步！\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_ee338f531fe7.jpg)\n\n同时，也欢迎加入AI有道技术交流QQ群，进行交流：（群号：223490966）\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_114f8db66aa5.jpg)\n\n## 个人主页\n\n**公众号**：AI有道（ID：redstonewill）\n\n**博客**：[http:\u002F\u002Fredstonewill.com\u002F](http:\u002F\u002Fredstonewill.com\u002F)\n\n**知乎**：[https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fred_stone_wl](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fred_stone_wl)\n\n**微博**：[AI有道](https:\u002F\u002Fweibo.com\u002Faiyoudao?from=profile&wvr=6)\n\n\n\n","# NTU-HsuanTienLin-机器学习（林轩田机器学习）\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_4aaa35f44109.jpg)\n\n## 1. 课程介绍\n\n台湾大学林轩田老师曾在coursera上开设了两门机器学习经典课程：《机器学习基石》和《机器学习技法》。《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。《机器学习技法》课程主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。在此，笔者将把这两门课的所有视频、笔记、书籍等详细资料分享给大家。\n\n首先附上这两门课的主页：\n\n[Hsuan-Tien Lin 机器学习基石](https:\u002F\u002Fwww.csie.ntu.edu.tw\u002F~htlin\u002F)\n\n## 2. 课程内容\n\n### 2.1 《机器学习基石》\n\n这门课主要涉及机器学习关键问题的四个方面：\n\n- **When Can Machine Learn?**\n\n- **Why Can Machine Learn?**\n\n- **How Can Machine Learn?**\n\n- **How Can Machine Learn Better?**\n\n其中每个方面包含4节课，总共有16节课。具体所有课程内容如下：\n\n- **When Can Machine Learn?**\n\t\n - [The Learning Problem](https:\u002F\u002Fredstonewill.com\u002F65\u002F)\n\n - [Learning to Answer Yes\u002FNo](https:\u002F\u002Fredstonewill.com\u002F70\u002F)\n\n - [Types of Learning](https:\u002F\u002Fredstonewill.com\u002F73\u002F)\n\n - [Feasibility of Learning](https:\u002F\u002Fredstonewill.com\u002F77\u002F)\n\n- **Why Can Machine Learn?**\n\n - [Training versus Testing](https:\u002F\u002Fredstonewill.com\u002F80\u002F)\n\n - [Theory of Generalization](https:\u002F\u002Fredstonewill.com\u002F217\u002F)\n\n - [The VC Dimension](https:\u002F\u002Fredstonewill.com\u002F222\u002F)\n\n - [Noise and Error](https:\u002F\u002Fredstonewill.com\u002F227\u002F)\n\n- **How Can Machine Learn?**\n\n - [Linear Regression](https:\u002F\u002Fredstonewill.com\u002F232\u002F)\n\n - [Logistic Regression](https:\u002F\u002Fredstonewill.com\u002F236\u002F)\n\n - [Linear Models for Classification](https:\u002F\u002Fredstonewill.com\u002F243\u002F)\n\n - [Nonlinear Transformation](https:\u002F\u002Fredstonewill.com\u002F246\u002F)\n\n- **How Can Machine Learn Better?**\n\n - [Hazard of Overfitting](https:\u002F\u002Fredstonewill.com\u002F249\u002F)\n\n - [Regularization](https:\u002F\u002Fredstonewill.com\u002F252\u002F)\n\n - [Validation](https:\u002F\u002Fredstonewill.com\u002F255\u002F)\n\n - [Three Learning Principles](https:\u002F\u002Fredstonewill.com\u002F311\u002F)\n\t\n### 2.2 《机器学习技法》\n\n这门课主要涉及机器学习经典算法的三个方面：\n\n- **Embedding Numerous Features: Kernel Models**\n\n- **Combining Predictive Features: Aggregation Models**\n\n- **Distilling Implicit Features: Extraction Models**\n\n总共有16节课。具体所有课程内容如下：\n\n- **Embedding Numerous Features: Kernel Models**\n\t\n - [Linear Support Vector Machine](https:\u002F\u002Fredstonewill.com\u002F345\u002F)\n\n - [Dual Support Vector Machine](https:\u002F\u002Fredstonewill.com\u002F369\u002F)\n\n - [Kernel Support Vector Machine](https:\u002F\u002Fredstonewill.com\u002F393\u002F)\n\n - [Soft-Margin Support Vector Machine](https:\u002F\u002Fredstonewill.com\u002F417\u002F)\n\t\n - [Kernel Logistic Regression](https:\u002F\u002Fredstonewill.com\u002F456\u002F)\n\t\n - [Support Vector Regression](https:\u002F\u002Fredstonewill.com\u002F477\u002F)\n\n- **Combining Predictive Features: Aggregation Models**\n\n - [Blending and Bagging](https:\u002F\u002Fredstonewill.com\u002F509\u002F)\n\n - [Adaptive Boosting](https:\u002F\u002Fredstonewill.com\u002F535\u002F)\n\n - [Decision Tree](https:\u002F\u002Fredstonewill.com\u002F569\u002F)\n\n - [Random Forest](https:\u002F\u002Fredstonewill.com\u002F601\u002F)\n\t\n - [Gradient Boosted Decision Tree](https:\u002F\u002Fredstonewill.com\u002F644\u002F)\n\n- **Distilling Implicit Features: Extraction Models**\n\n - [Neural Network](https:\u002F\u002Fredstonewill.com\u002F682\u002F)\n\n - [Deep Learning](https:\u002F\u002Fredstonewill.com\u002F710\u002F)\n\n - [Radial Basis Function Network](https:\u002F\u002Fredstonewill.com\u002F739\u002F)\n\n - [Matrix Factorization](https:\u002F\u002Fredstonewill.com\u002F783\u002F)\n\t\n - [Finale](https:\u002F\u002Fredstonewill.com\u002F810\u002F)\n\n## 3. 资源汇总\n\n笔者在学习这门课的过程中整理了各种课程资源，包括视频、笔记、书籍等。具体如下：\n\n### 3.1 课程视频\n\n课程视频在B站上可以直接观看哦～这里附上传送门：\n\n[机器学习基石（林轩田）](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav36731342)\n\n[机器学习技法（林轩田）](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav36760800)\n\n### 3.2 课程课件\n\n此项目包含了林轩田机器学习课程完整的课件：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_ebeec260dec1.png)\n\n### 3.3 课程笔记\n\n这是笔者最用心整理也是花的时间最多的，读者可以边看视频边看我的笔记，希望能给读者提供微薄之力。所有精炼笔记都已发布在个人主页上。但是为了便于大家线下阅读，特此将笔记的pdf文件全都发布在github上，可供查阅和打印。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_a36df12fa8bc.png)\n\n另外，我已经把完整的林轩田机器学习笔记整理成一个pdf文件，就放在项目根目录下了。\n\n### 3.4 课程书籍\n\n林轩田机器学习基石这门课有一个配套教材：《Learning From Data》，林轩田也是编者之一。这本书的主页为：\n\n[Learning From Data](http:\u002F\u002Famlbook.com\u002F)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_b015d212ea05.jpg)\n\n豆瓣上关于这本书的评分高达9.4，还是很不错的，值得推荐！可以配套视频一起学习。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_6d8b394ab156.jpg)\n\n机器学习技法对这本书添加了一些章节，作为扩展。原书和附加章节均放在本项目中。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_61a6cbc396cf.png)\n\n### 4 完整下载\n\n该GitHub项目中完整的资源均已整理好，方便大家免费下载。想要获得离线资源的可以在公众号：**AI有道（ID: redstonewill）**，后台回复：**Lin**，即可获取。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_ee338f531fe7.jpg)\n\n## 5. 最后\n\n如果觉得我的分享对你有用，那么就**Star**一下吧～同时，也欢迎大家关注我的微信公众号：**AI有道（ID: redstonewill）**。我会一如既往发布更多更好的文章给大家！一起学习，共同进步！\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_ee338f531fe7.jpg)\n\n同时，也欢迎加入AI有道技术交流QQ群，进行交流：（群号：223490966）\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_readme_114f8db66aa5.jpg)\n\n## 个人主页\n\n**公众号**：AI有道（ID：redstonewill）\n\n**博客**：[http:\u002F\u002Fredstonewill.com\u002F](http:\u002F\u002Fredstonewill.com\u002F)\n\n**知乎**：[https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fred_stone_wl](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fred_stone_wl)\n\n**微博**：[AI有道](https:\u002F\u002Fweibo.com\u002Faiyoudao?from=profile&wvr=6)","# HsuanTienLin_MachineLearning 快速上手指南\n\n本指南旨在帮助开发者快速获取台湾大学林轩田老师的经典机器学习课程资源（《机器学习基石》与《机器学习技法》），包括视频、课件、笔记及配套书籍。本项目主要为资料汇总，无需复杂的环境配置即可开始学习。\n\n## 1. 环境准备\n\n本项目为静态资源仓库，无特定的系统或编程语言依赖。\n\n*   **系统要求**：Windows \u002F macOS \u002F Linux 均可。\n*   **前置依赖**：\n    *   **Git**：用于克隆代码仓库（可选，也可直接下载 ZIP）。\n    *   **PDF 阅读器**：用于查看课程笔记和课件（如 Adobe Acrobat, Foxit, 或浏览器内置阅读器）。\n    *   **视频播放器**：用于播放本地视频（若选择离线观看），或直接使用浏览器访问 Bilibili 在线观看。\n*   **网络建议**：\n    *   **在线视频**：推荐直接访问 **Bilibili (B 站)** 观看，国内访问速度快且无需特殊网络配置。\n    *   **代码仓库**：若 GitHub 访问缓慢，可使用国内镜像站（如 Gitee）或代理加速。\n\n## 2. 安装步骤\n\n### 方式一：克隆仓库（推荐）\n\n打开终端（Terminal 或 CMD），执行以下命令获取完整资源：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fredstonewill\u002FNTU-HsuanTienLin-MachineLearning.git\n```\n\n*注：若 GitHub 连接超时，可尝试使用国内镜像源（如有）或手动下载 ZIP 包解压。*\n\n### 方式二：手动下载\n\n1.  访问项目 GitHub 主页。\n2.  点击绿色的 **Code** 按钮，选择 **Download ZIP**。\n3.  解压文件到本地目录。\n\n### 获取离线大礼包（含高清视频与完整笔记）\n\n若需获取整理好的离线大包（避免逐个下载），请关注微信公众号 **AI有道（ID: redstonewill）**，后台回复关键字：\n\n```text\nLin\n```\n\n即可获取百度网盘等国内高速下载地址。\n\n## 3. 基本使用\n\n本项目核心内容为学习资料，以下是最高效的学习路径：\n\n### 3.1 在线观看视频（最便捷）\n\n无需下载视频文件，直接通过浏览器访问 Bilibili 链接：\n\n*   **《机器学习基石》**：\n    [https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav36731342](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav36731342)\n*   **《机器学习技法》**：\n    [https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav36760800](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav36760800)\n\n### 3.2 阅读课程笔记与课件\n\n进入克隆或解压后的项目目录，找到以下文件夹进行阅读：\n\n*   **课件 (Slides)**：通常在 `slides` 或根目录相关文件夹中，对应 16+16 节课程的 PPT\u002FPDF。\n*   **精炼笔记 (Notes)**：\n    *   查看根目录下的完整合并版笔记 PDF（通常命名为 `Lin_Notes_Complete.pdf` 或类似名称）。\n    *   或访问作者博客查看详细在线版：[http:\u002F\u002Fredstonewill.com\u002F](http:\u002F\u002Fredstonewill.com\u002F)\n\n### 3.3 配套教材学习\n\n本课程推荐搭配教材 **《Learning From Data》** 进行学习：\n\n*   **官方主页**：[http:\u002F\u002Famlbook.com\u002F](http:\u002F\u002Famlbook.com\u002F)\n*   **本地资源**：项目中已包含该书原文章节及《机器学习技法》的扩展章节 PDF，请在项目目录中的 `books` 文件夹下查找。\n\n### 3.4 学习路线建议\n\n1.  **入门阶段**：先学习 **《机器学习基石》**，涵盖机器学习可行性、VC 维、线性模型等基础理论。\n2.  **进阶阶段**：接着学习 **《机器学习技法》**，深入 SVM、决策树、神经网络、深度学习等经典算法。\n3.  **实践结合**：边看 B 站视频，边对照项目中的 PDF 笔记理解公式推导，最后阅读配套教材巩固知识。","一名刚转行算法的工程师在尝试复现论文模型时，因理论基础薄弱而频繁遭遇模型过拟合与调参失败的困境。\n\n### 没有 HsuanTienLin_MachineLearning 时\n- **理论碎片化严重**：只能在网络上零散搜索\"VC 维”、“核函数”等概念，缺乏系统性的逻辑串联，导致知其然而不知其所以然。\n- **调试盲目低效**：面对模型不收敛或过拟合问题，仅能凭经验盲目调整超参数，无法从“正则化”或“偏差 - 方差权衡”等底层原理找到根源。\n- **学习资源割裂**：视频、课件、笔记和教材分散在不同平台，花费大量时间在资料搜集与整理上，难以形成完整的学习闭环。\n- **数学门槛劝退**：直接阅读英文原版经典教材难度过大，缺乏中文导读与精炼笔记辅助，极易在复杂的公式推导中丧失信心。\n\n### 使用 HsuanTienLin_MachineLearning 后\n- **知识体系系统化**：依托林轩田老师《机器学习基石》与《技法》的十六讲架构，从“为何能学”到“如何学得更好”，构建了严密的理论大厦。\n- **问题解决有章法**：通过课程中关于过拟合危害、正则化及验证方法的深入讲解，能够精准诊断模型病灶并制定科学的优化策略。\n- **一站式高效学习**：直接获取项目整合好的高清视频、PPT 课件、精炼中文笔记及配套教材，实现了“看视频 + 读笔记 + 查源码”的无缝衔接。\n- **通俗易懂易上手**：借助幽默风趣的教学风格与高质量的中文笔记，将晦涩的数学推导转化为直观的逻辑理解，大幅降低了入门门槛。\n\nHsuanTienLin_MachineLearning 将零散的机器学习知识重构为系统化的实战指南，帮助开发者从“调包侠”蜕变为真正懂原理的算法工程师。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRedstoneWill_HsuanTienLin_MachineLearning_d8bab333.png","RedstoneWill","红色石头","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FRedstoneWill_d319d9b1.jpg","机器学习小学生\u002F深度学习爱好者\r\n","redstonewill@hotmail.com","redstonewill.com","https:\u002F\u002Fgithub.com\u002FRedstoneWill",2776,852,"2026-04-03T09:27:26",1,"","未说明",{"notes":86,"python":84,"dependencies":87},"该项目为林轩田机器学习课程（《机器学习基石》与《机器学习技法》）的资源汇总仓库，主要包含课程视频链接、PDF 笔记、课件幻灯片及配套书籍资料。项目本身不涉及代码运行、模型训练或推理，因此无特定的操作系统、GPU、内存、Python 版本或依赖库要求。用户仅需具备阅读 PDF 和观看视频的基础环境即可使用。",[],[14],[90],"machine-learning","2026-03-27T02:49:30.150509","2026-04-10T18:54:20.188682",[],[]]