机器学习课程

欢迎来到计算机工程系、沙里夫理工大学的“机器学习”课程。

您可以访问课件、Jupyter 笔记本以及习题。

如需往届课程资料，请前往往届课程部分。

课堂视频及其他资源可在SharifML 网站上找到（波斯语）。

欢迎您使用这些内容，但请务必正确引用本课程及此 GitHub 仓库。更多详情，请参阅知识共享署名 4.0 许可协议。

Introduction_to_Machine_Learning 快速上手指南

本指南旨在帮助中国开发者快速开始使用由谢里夫理工大学（Sharif University of Technology）计算机工程系提供的机器学习课程资源。该仓库包含课程幻灯片、Jupyter Notebook 示例代码及练习题。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows、macOS 或 Linux 均可。
• Python 版本：推荐安装 Python 3.8 或更高版本。
• 前置依赖：
  • Git：用于克隆代码仓库。
  • Jupyter Lab 或 Jupyter Notebook：用于运行交互式示例。
  • 核心数据科学库：numpy, pandas, matplotlib, scikit-learn。

国内加速建议： 推荐使用 清华大学开源软件镜像站 或 阿里云镜像站 配置 pip 源，以加快依赖包下载速度。

安装步骤

1. 克隆仓库

打开终端（Terminal）或命令提示符，执行以下命令获取源代码：

git clone https://github.com/SharifiZarchi/Introduction_to_Machine_Learning.git
cd Introduction_to_Machine_Learning

2. 创建虚拟环境（推荐）

为避免依赖冲突，建议创建独立的虚拟环境：

python -m venv ml_env

激活环境：

• Windows:

  ml_env\Scripts\activate
  

• macOS / Linux:

  source ml_env/bin/activate
  

3. 安装依赖

虽然原仓库未提供统一的 requirements.txt，但根据机器学习课程惯例，请安装以下核心库。建议使用国内镜像源加速安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy pandas matplotlib scikit-learn jupyterlab

基本使用

安装完成后，您可以直接运行仓库中提供的 Jupyter Notebook 示例来学习机器学习算法。

启动 Jupyter Lab

进入 Jupyter_Notebooks 目录并启动服务：

cd Jupyter_Notebooks
jupyter lab

浏览器将自动打开 Jupyter Lab 界面。

运行示例

1. 在文件列表中选择一个 .ipynb 文件（例如涉及线性回归或分类算法的笔记）。
2. 逐个单元格（Cell）运行代码，观察数据预处理、模型训练及可视化的结果。
3. 您可以修改代码参数，尝试不同的超参数设置，以深入理解算法原理。

注意：课程幻灯片位于 Slides 目录，练习题位于 Exercises 目录。部分补充资源和视频讲解可访问 SharifML 官网（主要为波斯语）。使用本仓库内容时，请遵循 CC BY 4.0 协议并注明出处。