NTU-Machine-learning
NTU-Machine-learning 是一个由“大鱼 AI"整理的开源学习资源库，核心内容源自台湾大学李宏毅老师的机器学习与深度学习系列课程。它致力于解决中文用户在入门人工智能时面临的资料分散、环境配置困难以及缺乏系统练习等痛点，提供了一站式的完整学习方案。
这套资源非常适合希望系统掌握机器学习的开发者、学生及研究人员，尤其是偏好中文教学内容的初学者。其独特亮点在于不仅收录了课程视频、课件和详细笔记，还配套了每周的作业代码与讲解，涵盖监督学习、无监督学习、迁移学习等核心领域。李宏毅老师以幽默生动的比喻（如口袋妖怪案例）著称，让复杂的算法概念变得通俗易懂。此外，项目还贴心地提供了从 Anaconda 环境搭建到 Docker 部署的详细指南，并延伸推荐了数学基础复习、经典论文阅读路线及 Python 编程教程，帮助用户从零开始构建扎实的知识体系，轻松跨越理论与实践的鸿沟。
使用场景
一名刚转行 AI 的软件开发工程师，试图在两周内掌握机器学习核心算法以应对公司的新业务需求。
没有 NTU-Machine-learning 时
- 语言与概念双重障碍：面对吴恩达等英文课程，既要克服专业术语的语言隔阂，又要消化抽象数学公式，学习曲线极其陡峭。
- 资源碎片化严重：需要在知乎、CSDN、GitHub 和各类网盘间反复跳转寻找课件、视频和作业代码，大量时间浪费在资料搜集而非学习上。
- 环境配置劝退：缺乏系统的 Anaconda 和 Jupyter 配置指南，常在安装依赖库和解决版本冲突中受挫，尚未开始写代码就已精疲力竭。
- 缺乏实战闭环：只有理论讲解而无配套作业与解答，无法通过代码复现来验证理解，导致“眼睛学会了，手还不会”。
使用 NTU-Machine-learning 后
- 母语教学降低门槛：直接跟随李宏毅老师的中文视频学习，利用其幽默的比喻（如口袋妖怪案例）轻松理解反向传播、梯度下降等核心概念。
- 一站式资源聚合：通过仓库即可获取从课程主页、详细笔记、百度云课件到 B 站视频的完整链路，实现“开箱即用”的高效学习。
- 保姆级环境指引：参照提供的 Anaconda 入门指南和 Docker 配置教程，快速搭建好 Linux 或本地开发环境，将精力集中在算法本身。
- 学练结合巩固知识：每周跟随配套的作业代码进行实战，并对照讲解视频调试程序，真正实现了从理论推导到代码落地的完整闭环。
NTU-Machine-learning 将原本杂乱无章的自学路径整合为结构清晰的中文实战体系，让开发者能以最低成本完成机器学习的从 0 到 1 突破。
运行环境要求
- Linux
- macOS
未说明（课程涵盖深度学习内容，建议配备支持 CUDA 的 NVIDIA GPU 以运行 Keras/CNN/RNN 作业）
未说明
快速开始
大鱼AI🐟 ：李宏毅机器学习(台湾大学)
课程资料
- 课程主页
- 课程笔记
- 课件百度云下载
- 课程视频
- 环境配置Anaconda
- Jupyter NoteBook配置
- Anaconda加速下载镜像
- 作业
- 比赛环境推荐使用Linux或者Mac系统，以下环境搭建方法皆适用:
Docker环境配置
本地环境配置
重要一些的资源：
- Dr.Wu 博客71篇(机器学习、深度学习、强化学习、对抗网络)
- Dr.Wu 本人知乎
- 深度学习经典论文
- 深度学习斯坦福教程
- 廖雪峰python3教程
- github教程
- 莫烦机器学习教程
- 深度学习经典论文
- 机器学习代码修行100天
- 吴恩达机器学习新书：machine learning yearning
- 自上而下的学习路线: 软件工程师的机器学习
1. 前言
中文世界中最好的机器学习课程！
李宏毅老师的机器学习和深度学习系列课程，是中文世界中最好！课程中有深入浅出的讲解和幽默生动的比喻（还有口袋妖怪哦）。关键一切都是中文的！（除了
^_^）
本课程李宏毅老师的机器学习核心内容带学，作业讲解。主要包括：
（一）监督学习（回归、分类、BP反向传播、梯度下降）
（二）无监督学习（AutoEncoder、Neighbor Embedding、Deep Generative Model）
（三）迁移学习 （Transfer learning）
（四）结构化学习（Structure learning）
本课程每课都有课件，每周都有配套作业代码，十分推荐推荐学习。
2.数学知识复习
中文资料：
- 机器学习中的数学基本知识
- 统计学习方法
大学数学课本（从故纸堆里翻出来^_^）
3.编程工具
大鱼谷歌python训练营：
斯坦福资料：
4. 中文书籍推荐：
《机器学习》周志华
《统计学习方法》李航
《机器学习课》邹博
5. 学习安排
本课程需要8周共15节课， 每周具体时间划分为4个部分:
- 1部分安排周一到周二
- 2部分安排在周四到周五
- 3部分安排在周日
- 4部分作业是本周任何时候空余时间
- 周日晚上提交作业运行截图
- 周三、周六休息^_^
6.作业提交指南：
7.学习安排
一、整体学习路线
二、整体学习分解脑图
三、具体学习计划
week 1
学习准备
知识点复习
学习组队
第1节： 引言(Introduction)
课件：lecture1
笔记：lecture1-note1
视频：
1.1 欢迎:Welcome to Machine Learning
1.2 为什么要学习机器学习？:Why learning ？
作业 Week1：
制定自己的学习计划，开通自己的学习博客，注册自己的github:如操作手册
week 2
第2节： 回归问题
课件：lecture2
笔记：lecture2-note2
视频：
2.1 回归:Regression
2.2 回归 Demo:Demo
第3节： 错误分析
课件：lecture3
笔记：lecture3-note3
视频：
2.3 错误从哪里来Error Handle
作业 Week2：:
纯python实现CEO的的利润预测
week 3
第4节： 梯度下降(Gradient Descent )
课件：lecture4
笔记：lecture4-note4
视频：
3.1梯度下降:Gradient Descent
3.2梯度下降Demo1:Gradient Descent Demo1
3.3梯度下降Demo2:Gradient Descent Demo2
作业 Week3：:
PM2.5回归预测
第4周
第5节：分类：概率生成模型
课件：lecture5
笔记：lecture5-note5
视频：
4.1分类：概率生成模型:Classification：Probabilistic Generative Model
第6节：分类：逻辑回归
课件：lecture6
笔记：lecture6-note6
视频：
4.2分类：逻辑回归:Logistic Regression
作业 Week4：:
收入预测Winner or Loser
第5周
第7节：深度学习简介
课件：lecture7
笔记：lecture7-note7
视频：
5.1 深度学习简介:Introduction to Deep learning
5.2 反向传播算法：Back Prppagation
第8节：“Hello world” of Deep learning
课件：lecture8
笔记：lecture8-note8
视频：
5.1 DeepLearning Demo
5.2 Keras Demo：Demo
5.2 Keras Demo1：Demo1
第9节：深度学习技巧
课件：lecture9
笔记：lecture8-note9
视频：
5.3 DeepLearning tips
5.4 Keras Demo2：Demo2
作业 Week5：:
深度神经网络Keras实现手写数字识别
第6周
第10节：卷积神经网络(CNN)
课件：lecture10
笔记：lecture10-note10
视频：
6.1 卷积神经网络:CNN
第11节：为什么要深度学习
课件：lecture11
笔记：lecture11-note11
视频：
6.2 为什么要深度学习:Why Deep
作业 Week6：:
卷积神经网络CNN实现手写数字识别
第7周
第12节：循环神经网络(RNN)
课件：lecture12
笔记：lecture12-note12
视频：
7.1 循环神经网络:RNN
第13节：循环神经网络（LSTM、GRU）
课件：lecture13
笔记：lecture13-note13
视频：
7.2 循环神经网络:LSTM，GRU
作业 Week7：: Twitter文本情绪分类Text Sentiment
第8周
第14节：迁移学习
课件：lecture14
笔记：lecture14-note14
视频：
8.1 迁移学习:Transfer learning
第15节：强化学习（Reinforcement learning)
课件：lecture15
笔记：lecture15-note15
视频：
8.2 强化学习:Reinforcement learning
课程大作业：Kaggle 泰坦尼克号
联系我们：
官网：点击进入
官方公众号：
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。