[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-amueller--introduction_to_ml_with_python":3,"tool-amueller--introduction_to_ml_with_python":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",85013,2,"2026-04-06T11:09:19",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},3128,"ragflow","infiniflow\u002Fragflow","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。\n\n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。\n\n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。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","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。\n\n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。\n\nPaddleOCR 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。",74963,"2026-04-06T11:16:39",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-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。\n\n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。\n\n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。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65644,"2026-04-06T10:25:08",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":78,"owner_avatar_url":79,"owner_bio":80,"owner_company":81,"owner_location":82,"owner_email":83,"owner_twitter":84,"owner_website":85,"owner_url":86,"languages":87,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":10,"env_os":100,"env_gpu":101,"env_ram":101,"env_deps":102,"category_tags":115,"github_topics":99,"view_count":10,"oss_zip_url":99,"oss_zip_packed_at":99,"status":22,"created_at":116,"updated_at":117,"faqs":118,"releases":148},4473,"amueller\u002Fintroduction_to_ml_with_python","introduction_to_ml_with_python","Notebooks and code for the book \"Introduction to Machine Learning with Python\"","introduction_to_ml_with_python 是经典著作《Python 机器学习导论》的官方配套代码库，由 Andreas Mueller 和 Sarah Guido 共同维护。它提供了书中所有章节的可执行 Jupyter Notebook 笔记，以及专有的 mglearn 辅助库，用于生成书中的可视化图表和演示数据集。\n\n这套资源主要解决了机器学习初学者在理论学习与代码实践之间难以衔接的痛点。通过复现书中的完整案例，用户能够直观地理解算法原理，并掌握如何使用 scikit-learn 等主流库进行数据预处理、模型构建及评估，从而快速跨越从“读懂概念”到“动手实现”的门槛。\n\n该工具非常适合希望系统学习机器学习的开发者、数据科学学生以及相关领域的研究人员。对于想要深入理解算法细节而非仅仅调用黑盒模型的从业者，这也是极佳的参考素材。\n\n其独特亮点在于高度结构化的教学设计和专业的可视化支持。mglearn 库封装了复杂的绘图逻辑，让抽象的决策树边界、神经网络结构或交叉验证过程变得清晰易懂。此外，项目对依赖环境（如 scikit-learn 版本）和文本处理所需的外部模型（如","introduction_to_ml_with_python 是经典著作《Python 机器学习导论》的官方配套代码库，由 Andreas Mueller 和 Sarah Guido 共同维护。它提供了书中所有章节的可执行 Jupyter Notebook 笔记，以及专有的 mglearn 辅助库，用于生成书中的可视化图表和演示数据集。\n\n这套资源主要解决了机器学习初学者在理论学习与代码实践之间难以衔接的痛点。通过复现书中的完整案例，用户能够直观地理解算法原理，并掌握如何使用 scikit-learn 等主流库进行数据预处理、模型构建及评估，从而快速跨越从“读懂概念”到“动手实现”的门槛。\n\n该工具非常适合希望系统学习机器学习的开发者、数据科学学生以及相关领域的研究人员。对于想要深入理解算法细节而非仅仅调用黑盒模型的从业者，这也是极佳的参考素材。\n\n其独特亮点在于高度结构化的教学设计和专业的可视化支持。mglearn 库封装了复杂的绘图逻辑，让抽象的决策树边界、神经网络结构或交叉验证过程变得清晰易懂。此外，项目对依赖环境（如 scikit-learn 版本）和文本处理所需的外部模型（如 spaCy）提供了详尽的安装指引，确保用户能顺畅地复现所有实验结果，是入门 Python 机器学习不可或缺的实践指南。","[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Famueller\u002Fintroduction_to_ml_with_python\u002Fmaster)\n\n# Introduction to Machine Learning with Python\n\nThis repository holds the code for the forthcoming book \"Introduction to Machine\nLearning with Python\" by [Andreas Mueller](http:\u002F\u002Famueller.io) and [Sarah Guido](https:\u002F\u002Ftwitter.com\u002Fsarah_guido).\nYou can find details about the book on the [O'Reilly website](http:\u002F\u002Fshop.oreilly.com\u002Fproduct\u002F0636920030515.do).\n\nThe book requires the current stable version of scikit-learn, that is\n0.20.0.  Most of the book can also be used with previous versions of\nscikit-learn, though you need to adjust the import for everything from the\n``model_selection`` module, mostly ``cross_val_score``, ``train_test_split``\nand ``GridSearchCV``.\n\n\nThis repository provides the notebooks from which the book is created, together\nwith the ``mglearn`` library of helper functions to create figures and\ndatasets.\n\nFor the curious ones, the cover depicts a [hellbender](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHellbender).\n\nAll datasets are included in the repository, with the exception of the aclImdb dataset, which you can download from\nthe page of [Andrew Maas](http:\u002F\u002Fai.stanford.edu\u002F~amaas\u002Fdata\u002Fsentiment\u002F). See the book for details.\n\nIf you get ``ImportError: No module named mglearn`` you can try to install mglearn into your python environment using\nthe command ``pip install mglearn`` in your terminal or ``!pip install mglearn`` in Jupyter Notebook.\n\n\n## Errata\nPlease note that the first print of the book is missing the following line when listing the assumed imports:\n\n```python\nfrom IPython.display import display\n```\nPlease add this line if you see an error involving ``display``.\n\n\nThe first print of the book used a function called ``plot_group_kfold``.\nThis has been renamed to ``plot_label_kfold`` because of a rename in\nscikit-learn.\n\n## Setup\n\nTo run the code, you need the packages ``numpy``, ``scipy``, ``scikit-learn``, ``matplotlib``, ``pandas`` and ``pillow``.\nSome of the visualizations of decision trees and neural networks structures also require ``graphviz``. The chapter\non text processing also requires ``nltk`` and ``spacy``.\n\nThe easiest way to set up an environment is by installing [Anaconda](https:\u002F\u002Fwww.continuum.io\u002Fdownloads).\n\n### Installing packages with conda:\nIf you already have a Python environment set up, and you are using the ``conda`` package manager, you can get all packages by running\n\n    conda install numpy scipy scikit-learn matplotlib pandas pillow graphviz python-graphviz\n\nFor the chapter on text processing you also need to install ``nltk`` and ``spacy``:\n\n    conda install nltk spacy\n\n\n### Installing packages with pip\nIf you already have a Python environment and are using pip to install packages, you need to run\n\n    pip install numpy scipy scikit-learn matplotlib pandas pillow graphviz\n\nYou also need to install the graphiz C-library, which is easiest using a package manager.\nIf you are using OS X and homebrew, you can ``brew install graphviz``. If you are on Ubuntu or debian, you can ``apt-get install graphviz``.\nInstalling graphviz on Windows can be tricky and using conda \u002F anaconda is recommended.\nFor the chapter on text processing you also need to install ``nltk`` and ``spacy``:\n\n    pip install nltk spacy\n\n### Downloading English language model\nFor the text processing chapter, you need to download the English language model for spacy using\n\n    python -m spacy download en\n\n## Submitting Errata\n\nIf you have errata for the (e-)book, please submit them via the [O'Reilly Website](http:\u002F\u002Fwww.oreilly.com\u002Fcatalog\u002Ferrata.csp?isbn=0636920030515).\nYou can submit fixes to the code as pull-requests here, but I'd appreciate it if you would also submit them there, as this repository doesn't hold the\n\"master notebooks\".\n\n![cover](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famueller_introduction_to_ml_with_python_readme_2ba24f678b49.jpg)\n","[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Famueller\u002Fintroduction_to_ml_with_python\u002Fmaster)\n\n# 使用Python进行机器学习入门\n\n本仓库包含了即将出版的书籍《使用Python进行机器学习入门》的代码，作者是[Andreas Mueller](http:\u002F\u002Famueller.io)和[Sarah Guido](https:\u002F\u002Ftwitter.com\u002Fsarah_guido)。您可以在[O'Reilly官网](http:\u002F\u002Fshop.oreilly.com\u002Fproduct\u002F0636920030515.do)上找到关于本书的详细信息。\n\n本书要求使用当前稳定版的scikit-learn，即0.20.0。不过，书中的大部分内容也可以在较早版本的scikit-learn上运行，只是需要调整从``model_selection``模块中导入的内容，主要包括``cross_val_score``、``train_test_split``和``GridSearchCV``等。\n\n本仓库提供了用于编写本书的笔记本文件，以及用于创建图表和数据集的帮助函数库``mglearn``。\n\n对封面感兴趣的朋友可以了解一下：封面上的生物是一种名为“hellbender”的两栖动物，详情请参阅[维基百科](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHellbender)。\n\n所有数据集都包含在本仓库中，除了aclImdb数据集，该数据集可从[Andrew Maas](http:\u002F\u002Fai.stanford.edu\u002F~amaas\u002Fdata\u002Fsentiment\u002F)的页面下载。具体说明请参阅本书。\n\n如果您遇到``ImportError: No module named mglearn``错误，可以尝试在终端中运行``pip install mglearn``，或在Jupyter Notebook中执行``!pip install mglearn``来安装``mglearn``库。\n\n## 错误更正\n请注意，本书初版在列出假设的导入语句时遗漏了以下一行：\n\n```python\nfrom IPython.display import display\n```\n如果在使用过程中遇到与``display``相关的错误，请务必添加这一行。\n\n此外，初版书中曾使用名为``plot_group_kfold``的函数，但由于scikit-learn内部进行了重命名，现已更名为``plot_label_kfold``。\n\n## 环境搭建\n要运行本书中的代码，您需要安装``numpy``、``scipy``、``scikit-learn``、``matplotlib``、``pandas``和``pillow``等包。部分决策树和神经网络结构的可视化还需要``graphviz``。而文本处理章节则需要额外安装``nltk``和``spacy``。\n\n最简便的环境搭建方式是安装[Anaconda](https:\u002F\u002Fwww.continuum.io\u002Fdownloads)。\n\n### 使用conda安装软件包：\n如果您已经配置好了Python环境，并且使用``conda``作为包管理器，可以通过以下命令一次性安装所有所需的包：\n\n    conda install numpy scipy scikit-learn matplotlib pandas pillow graphviz python-graphviz\n\n对于文本处理章节，还需安装``nltk``和``spacy``：\n\n    conda install nltk spacy\n\n### 使用pip安装软件包：\n如果您已有Python环境并使用pip进行包管理，则需运行以下命令：\n\n    pip install numpy scipy scikit-learn matplotlib pandas pillow graphviz\n\n此外，您还需要安装Graphviz的C语言库，这通常通过系统自带的包管理器完成。例如，在OS X上使用Homebrew时，可以运行``brew install graphviz``；而在Ubuntu或Debian系统上，则可执行``apt-get install graphviz``。在Windows上安装Graphviz可能会比较复杂，建议使用conda或Anaconda来完成。对于文本处理章节，还需安装``nltk``和``spacy``：\n\n    pip install nltk spacy\n\n### 下载英文语言模型\n在学习文本处理章节时，您需要为spacy下载英文语言模型，命令如下：\n\n    python -m spacy download en\n\n## 提交勘误\n如果您发现本书（电子版）存在任何错误，请通过[O'Reilly官网](http:\u002F\u002Fwww.oreilly.com\u002Fcatalog\u002Ferrata.csp?isbn=0636920030515)提交勘误信息。您也可以在此处通过拉取请求提交代码修正，但为了便于统一维护，建议同时将这些修改提交至O'Reilly官网，因为本仓库并不包含“主笔记本”文件。\n\n![封面](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famueller_introduction_to_ml_with_python_readme_2ba24f678b49.jpg)","# Introduction to Machine Learning with Python 快速上手指南\n\n本指南旨在帮助开发者快速搭建《Introduction to Machine Learning with Python》一书所需的代码运行环境。该仓库包含了书中所有示例代码的 Jupyter Notebook 以及辅助绘图和数据生成的 `mglearn` 库。\n\n## 环境准备\n\n### 系统要求\n- **Python 版本**：推荐 Python 3.6+\n- **核心依赖**：本书基于 `scikit-learn` 0.20.0 稳定版编写（兼容部分旧版本，但需注意模块导入调整）。\n- **可选依赖**：\n  - 决策树与神经网络可视化：需安装 `graphviz` 及其系统级库。\n  - 文本处理章节：需安装 `nltk` 和 `spacy`。\n\n### 前置依赖说明\n若需进行文本处理或复杂可视化，请确保系统已安装以下底层库：\n- **Graphviz C 库**：\n  - macOS (Homebrew): `brew install graphviz`\n  - Ubuntu\u002FDebian: `apt-get install graphviz`\n  - Windows: 建议直接使用 Anaconda 避免手动配置困难。\n\n## 安装步骤\n\n推荐使用 **Anaconda** 进行环境管理，这是最简便的方式。\n\n### 方案一：使用 Conda 安装（推荐）\n\n如果你已安装 Anaconda 或 Miniconda，执行以下命令即可一次性安装所有核心包：\n\n```bash\nconda install numpy scipy scikit-learn matplotlib pandas pillow graphviz python-graphviz\n```\n\n若需学习文本处理章节，请额外安装：\n\n```bash\nconda install nltk spacy\n```\n\n> **国内加速提示**：如遇下载速度慢，可配置清华或中科大镜像源：\n> `conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F`\n\n### 方案二：使用 Pip 安装\n\n如果你已有 Python 环境且使用 pip：\n\n1. 安装 Python 依赖包：\n   ```bash\n   pip install numpy scipy scikit-learn matplotlib pandas pillow graphviz\n   ```\n   *(注：使用前请确保已通过系统包管理器安装了 Graphviz C 库)*\n\n2. 安装文本处理依赖：\n   ```bash\n   pip install nltk spacy\n   ```\n\n3. 下载 Spacy 英文语言模型（文本处理章节必需）：\n   ```bash\n   python -m spacy download en\n   ```\n\n4. 安装本书专用辅助库 `mglearn`：\n   ```bash\n   pip install mglearn\n   ```\n   或在 Jupyter Notebook 中直接运行：\n   ```python\n   !pip install mglearn\n   ```\n\n## 基本使用\n\n安装完成后，你可以克隆本仓库并运行书中的 Notebook 示例。\n\n### 1. 获取代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Famueller\u002Fintroduction_to_ml_with_python.git\ncd introduction_to_ml_with_python\n```\n\n### 2. 运行示例\n启动 Jupyter Notebook 并打开任意章节文件（例如第一章）：\n\n```bash\njupyter notebook\n```\n在浏览器中选择对应的 `.ipynb` 文件即可运行。\n\n### 3. 最小化代码验证\n新建一个 Python 文件或 Notebook，运行以下代码以验证环境是否配置成功：\n\n```python\nimport numpy as np\nimport matplotlib.pyplot as plt\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.datasets import load_iris\nfrom sklearn.neighbors import KNeighborsClassifier\n\n# 加载数据\niris_dataset = load_iris()\nX_train, X_test, y_train, y_test = train_test_split(\n    iris_dataset['data'], iris_dataset['target'], random_state=0\n)\n\n# 训练模型\nkn = KNeighborsClassifier(n_neighbors=1)\nkn.fit(X_train, y_train)\n\n# 预测\nprint(\"Test set score: {:.2f}\".format(kn.score(X_test, y_test)))\n\n# 尝试引入本书辅助库 (如果已安装)\ntry:\n    import mglearn\n    mglearn.plots.plot_knn_classification(n_neighbors=1)\n    plt.show()\nexcept ImportError:\n    print(\"mglearn library not found. Run 'pip install mglearn' to enable visualizations.\")\n```\n\n> **注意**：如果在运行书中代码时遇到 `display` 相关错误，请在代码开头添加以下导入语句（针对首印版书籍的勘误）：\n> ```python\n> from IPython.display import display\n> ```","某数据科学团队的新人正在尝试复现《Python 机器学习导论》书中的经典案例，以快速掌握 scikit-learn 的核心用法并构建第一个情感分析模型。\n\n### 没有 introduction_to_ml_with_python 时\n- 读者需手动编写大量辅助代码来复现书中精美的可视化图表，极易因绘图参数调整不当而偏离原意。\n- 寻找和清洗书中提到的特定数据集（如 aclImdb）耗时费力，且容易因数据预处理步骤遗漏导致模型结果不一致。\n- 面对 scikit-learn 版本迭代带来的 API 变更（如 `model_selection` 模块的导入路径变化），新手往往陷入繁琐的调试报错中。\n- 缺乏统一的实验环境配置指南，安装 graphviz、spacy 等依赖库时常因系统差异导致环境搭建失败。\n\n### 使用 introduction_to_ml_with_python 后\n- 直接调用仓库自带的 `mglearn` 辅助库，一键生成与书籍完全一致的高质量教学图表，专注于算法逻辑而非绘图细节。\n- 直接使用仓库内预置的标准数据集和清洗脚本，确保实验数据与教材严格同步，瞬间复现基准模型结果。\n- 参考官方更新的 Notebook 代码，自动适配最新版 scikit-learn 的 API 规范，彻底规避因版本差异导致的导入错误。\n- 依据详细的 Conda\u002FPip 安装指引及语言模型下载命令，几分钟内即可在本地或 Binder 云端搭建好包含 nltk、spacy 在内的完整运行环境。\n\nintroduction_to_ml_with_python 通过将理论代码化、环境标准化，将学习者从繁琐的工程配置中解放出来，使其能全心投入机器学习核心原理的探索。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famueller_introduction_to_ml_with_python_2ba24f67.jpg","amueller","Andreas Mueller","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Famueller_99e9db02.jpg","Scikit-learn core-developer, Principal Research SDE @microsoft","Microsoft","Los Gatos","t3kcit+githubspam@gmail.com","amuellerml","http:\u002F\u002Famueller.github.io","https:\u002F\u002Fgithub.com\u002Famueller",[88,92],{"name":89,"color":90,"percentage":91},"Jupyter Notebook","#DA5B0B",99.6,{"name":93,"color":94,"percentage":95},"Python","#3572A5",0.4,8066,4702,"2026-04-06T06:53:57",null,"Linux, macOS, Windows","未说明",{"notes":103,"python":101,"dependencies":104},"建议使用 Anaconda (conda) 管理环境，特别是在 Windows 上安装 graphviz 时。文本处理章节需额外下载 spacy 的英语语言模型 (python -m spacy download en)。部分数据集（如 aclImdb）需手动下载。若遇到 mglearn 导入错误，需运行 pip install mglearn。",[105,106,107,108,109,110,111,112,113,114],"numpy","scipy","scikit-learn>=0.20.0","matplotlib","pandas","pillow","graphviz","python-graphviz","nltk","spacy",[18],"2026-03-27T02:49:30.150509","2026-04-06T23:57:37.543385",[119,124,129,134,139,144],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},20330,"运行文本处理笔记时出现 'ModuleNotFoundError: No module named spacy' 错误怎么办？","首先使用 conda 或 pip 安装 spacy 包。安装完成后，必须单独下载语言模型才能正常使用。在 Windows 上，请以管理员身份运行命令提示符（CMD），然后执行命令：python -m spacy download en。如果未以管理员身份运行，可能因权限问题导致链接无法建立。","https:\u002F\u002Fgithub.com\u002Famueller\u002Fintroduction_to_ml_with_python\u002Fissues\u002F44",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},20331,"使用 mglearn.datasets.make_forge() 时出现关于 make_blobs 的弃用警告（DeprecationWarning）如何解决？","该警告是由于 mglearn 库内部调用了 scikit-learn 中已弃用的函数。解决方法是更新 mglearn 库到最新版本，维护者已在更新中修复了此问题。请运行 pip install --upgrade mglearn 或 conda update mglearn。如果使用的是旧版本（如 0.1.9），警告可能会持续存在，建议升级库版本。","https:\u002F\u002Fgithub.com\u002Famueller\u002Fintroduction_to_ml_with_python\u002Fissues\u002F113",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},20332,"使用 MLPClassifier 和 plot_2d_separator 绘图时出现 MemoryError 或 AttributeError 错误怎么办？","这通常是因为神经网络隐藏层节点过多导致内存溢出，或者分类器缺少 decision_function 属性。临时解决方法是在初始化 MLPClassifier 时限制隐藏层大小，例如设置 hidden_layer_sizes=53。根本的修复方案需要更新 mglearn 库，维护者已在后续版本中通过分块处理（chunking）优化了绘图函数以节省内存。","https:\u002F\u002Fgithub.com\u002Famueller\u002Fintroduction_to_ml_with_python\u002Fissues\u002F67",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},20333,"导入 preamble 或 mglearn 时出现 'ImportError: No module named model_selection' 错误是什么原因？","这是因为安装的 scikit-learn 版本过旧。model_selection 模块是在 scikit-learn 0.18 版本中引入的，而旧版本中相关功能位于 cross_validation 模块。请升级 scikit-learn 到 0.18 或更高版本（建议使用最新稳定版）。如果使用 conda，可运行 conda update scikit-learn；如果使用 pip，可运行 pip install --upgrade scikit-learn。","https:\u002F\u002Fgithub.com\u002Famueller\u002Fintroduction_to_ml_with_python\u002Fissues\u002F1",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},20334,"笔记本代码与当前安装的 scikit-learn 版本不兼容怎么办？","本书的笔记本最初是基于 scikit-learn 的开发版（如 0.18.dev）编写的，可能与当时的稳定版（如 0.17.1）不兼容。如果遇到此类问题，建议将 scikit-learn 升级到最新稳定版本，因为维护者通常会更新代码以适配新版本。如果必须使用特定版本且无法在 Windows 上安装开发版，可以尝试手动修改脚本以适配现有版本，或等待官方发布的兼容性更新。","https:\u002F\u002Fgithub.com\u002Famueller\u002Fintroduction_to_ml_with_python\u002Fissues\u002F3",{"id":145,"question_zh":146,"answer_zh":147,"source_url":143},20335,"如何在 Jupyter Notebook 环境中正确安装缺失的 Python 包？","如果在 Jupyter 中遇到包缺失问题，可以直接在 Notebook 单元格中使用魔法命令安装。例如，使用 !pip install package_name 或 !conda install package_name。确保安装环境与运行 Notebook 的内核一致。对于某些需要系统权限的包（如 graphviz），可能需要先在终端以管理员身份安装系统依赖，再安装 Python 接口包。",[]]