[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-dafish-ai--NTU-Machine-learning":3,"similar-dafish-ai--NTU-Machine-learning":48},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":14,"owner_avatar_url":15,"owner_bio":16,"owner_company":16,"owner_location":16,"owner_email":16,"owner_twitter":16,"owner_website":16,"owner_url":17,"languages":18,"stars":27,"forks":28,"last_commit_at":29,"license":16,"difficulty_score":30,"env_os":31,"env_gpu":32,"env_ram":33,"env_deps":34,"category_tags":41,"github_topics":16,"view_count":30,"oss_zip_url":16,"oss_zip_packed_at":16,"status":43,"created_at":44,"updated_at":45,"faqs":46,"releases":47},6910,"dafish-ai\u002FNTU-Machine-learning","NTU-Machine-learning","台湾大学李宏毅老师机器学习","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。\n\n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。","# 大鱼AI🐟 ：李宏毅机器学习(台湾大学)\r\n\r\n\r\n## 课程资料\r\n1. [课程主页](http:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~tlkagk\u002Fcourses_ML17_2.html)  \r\n2. [课程笔记](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82253966) \r\n3. [课件百度云下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1UKYLGte5SJ1EWxxAaUcKOw)  \r\n3. [课程视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361?from=search&seid=8516959386096686045)  \r\n4. [环境配置Anaconda](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002Fassets\u002FAnaconda完全入门指南.md)  \r\n5. [Jupyter NoteBook配置](http:\u002F\u002Fbaijiahao.baidu.com\u002Fs?id=1601883438842526311&wfr=spider&for=pc)  \r\n6. [Anaconda加速下载镜像](https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Farchive\u002F?C=M&O=D)  \r\n7. [作业](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Ftree\u002Fmaster\u002F李宏毅机器学习-作业)\r\n8. 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:  \r\n    [Docker环境配置](https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo)  \r\n    [本地环境配置](https:\u002F\u002Fgithub.com\u002Flearning511\u002Fcs224n-learning-camp\u002Fblob\u002Fmaster\u002Fenvironment.md)\r\n\r\n\r\n## 重要一些的资源：\r\n1. [Dr.Wu 博客71篇(机器学习、深度学习、强化学习、对抗网络)](https:\u002F\u002Fme.csdn.net\u002Fdukuku5038)  \r\n2. [Dr.Wu 本人知乎](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002FDr.Wu\u002Factivities)  \r\n3. [深度学习经典论文](https:\u002F\u002Fgithub.com\u002Ffloodsung\u002FDeep-Learning-Papers-Reading-Roadmap.git)\r\n4. [深度学习斯坦福教程](http:\u002F\u002Fdeeplearning.stanford.edu\u002Fwiki\u002Findex.php\u002FUFLDL%E6%95%99%E7%A8%8B)\r\n5. [廖雪峰python3教程](https:\u002F\u002Fwww.liaoxuefeng.com\u002Farticle\u002F001432619295115c918a094d8954bd493037b03d27bf9a9000)\r\n6. [github教程](https:\u002F\u002Fwww.liaoxuefeng.com\u002Fwiki\u002F0013739516305929606dd18361248578c67b8067c8c017b000)\r\n7. [莫烦机器学习教程](https:\u002F\u002Fmorvanzhou.github.io\u002Ftutorials)\r\n8. [深度学习经典论文](https:\u002F\u002Fgithub.com\u002Ffloodsung\u002FDeep-Learning-Papers-Reading-Roadmap.git)\r\n9. [机器学习代码修行100天](https:\u002F\u002Fgithub.com\u002FAvik-Jain\u002F100-Days-Of-ML-Code)  \r\n10. [吴恩达机器学习新书：machine learning yearning](https:\u002F\u002Fgithub.com\u002FAcceptedDoge\u002Fmachine-learning-yearning-cn)  \r\n11. [自上而下的学习路线: 软件工程师的机器学习](https:\u002F\u002Fgithub.com\u002FZuzooVn\u002Fmachine-learning-for-software-engineers\u002Fblob\u002Fmaster\u002FREADME-zh-CN.md)  \r\n\r\n## 1. 前言\r\n![enter image description here](https:\u002F\u002Fimages.gitbook.cn\u002Ff76f1200-3d45-11e9-b80b-13b78e2a7517)Â\r\n### 中文世界中最好的机器学习课程！\r\n\r\n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\r\n\r\n^_^）\r\n\r\n\r\n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：\r\n\r\n（一）监督学习（回归、分类、BP反向传播、梯度下降）\r\n\r\n（二）无监督学习（AutoEncoder、Neighbor Embedding、Deep Generative Model）\r\n\r\n（三）迁移学习 （Transfer learning）\r\n\r\n（四）结构化学习（Structure learning）\r\n\r\n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。\r\n\r\n## 2.数学知识复习  \r\n1.[线性代数](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002Freadings\u002Fcs229-linalg.pdf)  \r\n2.[概率论](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002Freadings\u002Fcs229-prob.pdf)  \r\n3.[凸函数优化](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002Freadings\u002Fcs229-cvxopt.pdf)  \r\n4.[随机梯度下降算法](http:\u002F\u002Fcs231n.github.io\u002Foptimization-1\u002F)  \r\n\r\n#### 中文资料：    \r\n- [机器学习中的数学基本知识](https:\u002F\u002Fwww.cnblogs.com\u002Fsteven-yang\u002Fp\u002F6348112.html)  \r\n- [统计学习方法](http:\u002F\u002Fvdisk.weibo.com\u002Fs\u002FvfFpMc1YgPOr)  \r\n**大学数学课本（从故纸堆里翻出来^_^）**  \r\n\r\n### 3.编程工具\r\n\r\n#### 大鱼谷歌python训练营：  \r\n- [谷歌python](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FPython-GoogleCourse)  \r\n#### 斯坦福资料：\r\n- [Python复习](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002Flectures\u002Fpython-review.pdf)  \r\n\r\n#### 4. 中文书籍推荐：\r\n- 《机器学习》周志华  \r\n\r\n- 《统计学习方法》李航  \r\n\r\n- 《机器学习课》邹博  \r\n\r\n## 5. 学习安排\r\n本课程需要8周共15节课，\r\n每周具体时间划分为4个部分:  \r\n- 1部分安排周一到周二  \r\n- 2部分安排在周四到周五  \r\n- 3部分安排在周日  \r\n- 4部分作业是本周任何时候空余时间    \r\n- 周日晚上提交作业运行截图  \r\n- 周三、周六休息^_^  \r\n\r\n#### 6.作业提交指南：  \r\n\r\n\r\n## 7.学习安排\r\n一、整体学习路线  \r\n![enter image description here](https:\u002F\u002Fimages.gitbook.cn\u002F6cca4220-37df-11e9-8aed-c31cd798611f)  \r\n二、整体学习分解脑图\r\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdafish-ai_NTU-Machine-learning_readme_9107ec3f6cdd.png)\r\n三、具体学习计划\r\n### week 1  \r\n**学习准备**  \r\n**知识点复习**  \r\n**学习组队**  \r\n\r\n**第1节： 引言(Introduction)**  \r\n**课件：**[lecture1](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F1-introduction.pdf)  \r\n**笔记：**[lecture1-note1](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82347021)  \r\n**视频：**  \r\n\t1.1 欢迎:[Welcome to Machine Learning](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=1)  \r\n\t1.2 为什么要学习机器学习？:[Why learning ？](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=2)  \r\n**作业 Week1：**\r\n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](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek1\u002FWeek1-CSDN%E5%8D%9A%E5%AE%A2%E4%B8%8EGithub%E5%88%9B%E5%BB%BA.md)\r\n\r\n---\r\n\r\n### week 2\r\n**第2节： 回归问题**  \r\n**课件：**[lecture2](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F2-Regression.pdf)  \r\n**笔记：**[lecture2-note2](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82503111)  \r\n**视频：**  \r\n\t2.1 回归:[Regression](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=3)  \r\n\t2.2 回归 Demo:[Demo](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=4)  \r\n\r\n**第3节： 错误分析**  \r\n**课件：**[lecture3](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F3-Bias%20and%20Variance%20(v2).pdf)  \r\n**笔记：**[lecture3-note3](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82682855)  \r\n**视频：**  \r\n\t2.3 错误从哪里来[Error Handle](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=5)  \r\n\r\n**作业 Week2：**:  \r\n  纯python实现[CEO的的利润预测](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek2\u002F%E4%BD%9C%E4%B8%9A1.md)  \t\r\n\r\n---------------------------------------------------------\r\n\r\n### week 3   \r\n**第4节： 梯度下降(Gradient Descent )**  \r\n**课件：**[lecture4](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F李宏毅机器学习-课件\u002F4-Gradient%20Descent%20(v2).pdf)  \r\n**笔记：**[lecture4-note4](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83608873)  \r\n**视频：**  \r\n\t3.1梯度下降:[Gradient Descent](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=6)  \r\n\t3.2梯度下降Demo1:[Gradient Descent Demo1](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=7)  \r\n\t3.3梯度下降Demo2:[Gradient Descent Demo2](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=8)  \r\n\r\n**作业 Week3：**:  \r\n  [PM2.5回归预测](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek3\u002FWeek3-PM2.5%E9%A2%84%E6%B5%8B.md)  \r\n\r\n---------------------------------------------------------\r\n\r\n### Week 4  \r\n**第5节：分类：概率生成模型（Classification：Probabilistic Generative Model）**  \r\n**课件：**[lecture5](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F李宏毅机器学习-课件\u002F5-Classification%20(v3).pdf)  \r\n**笔记：**[lecture5-note5](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82698867)  \r\n**视频：**  \r\n\t4.1分类：概率生成模型:[Classification：Probabilistic Generative Model](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=10)  \r\n\r\n**第6节：分类：逻辑回归（Logistic Regression）**  \r\n**课件：**[lecture6](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F李宏毅机器学习-课件\u002F6-Logistic%20Regression%20(v3).pdf)  \r\n**笔记：**[lecture6-note6](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82585523)  \r\n**视频：**  \r\n\t4.2分类：逻辑回归:[Logistic Regression](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=11)   \r\n\r\n**作业 Week4：**:\r\n\r\n收入预测[Winner or Loser](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Ftree\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek4)\r\n\r\n---------------------------------------------------------\r\n\r\n### Week 5     \r\n**第7节：深度学习简介(Introduction to Deep learning)**  \r\n**课件：**[lecture7](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F7-DL%20(v2).pdf)  \r\n**笔记：**[lecture7-note7](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83217542)  \r\n**视频：**                                  \r\n\t5.1 深度度学习简介:[Introduction to Deep learning](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=13)  \r\n\t5.2 反向传播算法：[Back Prppagation](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=14) \r\n\t\r\n**第8节：“Hello world” of Deep learning**  \r\n**课件：**[lecture8](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F8-BP.pdf)  \r\n**笔记：**[lecture8-note8](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83721330)  \r\n**视频：**                                  \r\n\t5.1 [DeepLearning Demo](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=15)  \r\n\t5.2  Keras Demo：[Demo](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=16)  \r\n\t5.2  Keras Demo1：[Demo1](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=17)  \r\n\r\n**第9节：深度学习技巧 Deep learning tips**  \r\n**课件：**[lecture9](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F10-DNN%20tip.pdf)  \r\n**笔记：**[lecture8-note9](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83680923)  \r\n**视频：**                                  \r\n\t5.3 [DeepLearning tips](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=18)  \r\n\t5.4  Keras Demo2：[Demo2](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=19)  \r\n\r\n**作业 Week5：**:  \r\n深度神经网络[Keras实现手写数字识别](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek5\u002FWeek5-Keras%E5%AE%9E%E7%8E%B0%E6%89%8B%E5%86%99%E6%95%B0%E5%AD%97%E8%AF%86%E5%88%AB.md)\r\n\r\n---------------------------------------------------------\r\n### Week 6  \r\n**第10节：卷积神经网络(CNN)**  \r\n**课件：**[lecture10](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F11-CNN.pdf)  \r\n**笔记：**[lecture10-note10](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83735926)  \r\n**视频：**  \r\n\t6.1 卷积神经网络:[CNN](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=21)  \r\n\r\n**第11节：为什么要深度学习（Why Deep)**  \r\n**课件：**[lecture11](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F12-Why-deep.pdf)  \r\n**笔记：**[lecture11-note11](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83774169)  \r\n**视频：**  \r\n\t6.2 为什么要深度学习:[Why Deep](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=22)  \r\n\r\n**作业 Week6：**:  \r\n卷积神经网络[CNN实现手写数字识别](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek6\u002FWeek6-CNN%E5%AE%9E%E7%8E%B0%E6%89%8B%E5%86%99%E6%95%B0%E5%AD%97%E8%AF%86%E5%88%AB.md)\r\n \r\n---------------------------------------------------------\r\n### Week 7\r\n**第12节：循环神经网络(RNN)**  \r\n**课件：**[lecture12](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%BC%98%E6%AF%85-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F13-RNN%20(v2).pdf)  \r\n**笔记：**[lecture12-note12](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83830994)  \r\n**视频：**  \r\n\t7.1 循环神经网络:[RNN](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=36)  \r\n\r\n**第13节：循环神经网络（LSTM、GRU)**  \r\n**课件：**[lecture13](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%BC%98%E6%AF%85-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F13-RNN%20(v2).pdf)  \r\n**笔记：**[lecture13-note13](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83870172)  \r\n**视频：**  \r\n\t7.2 循环神经网络:[LSTM，GRU](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=37)  \r\n\r\n**作业 Week7：**:\r\nTwitter文本情绪分类[Text Sentiment](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek7\u002FREADME.md)\r\n\r\n---------------------------------------------------------\r\n### Week 8\r\n**第14节：迁移学习**\r\n**课件：**[lecture14](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%BC%98%E6%AF%85-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F16-transfer%20(v3).pdf)  \r\n**笔记：**[lecture14-note14]()  \r\n**视频：**  \r\n\t8.1 迁移学习:[Transfer learning](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=30)  \r\n\r\n**第15节：强化学习（Reinforcement learning)**\r\n\r\n**课件：**[lecture15](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%BC%98%E6%AF%85-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F17-RL%20(v6).pdf)  \r\n**笔记：**[lecture15-note15](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F84810898)  \r\n**视频：**  \r\n\t8.2 强化学习:[Reinforcement learning](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=39)  \r\n\r\n---\r\n\r\n### 课程大作业：Kaggle 泰坦尼克号  \r\n\r\n![enter image description here](https:\u002F\u002Fimages.gitbook.cn\u002F77443310-3e1e-11e9-a7f2-db689d3df630)\r\n\r\n## 联系我们：\u003Cbr>\r\n官网：[点击进入](http:\u002F\u002Fwww.dayufish.com\u002F) \u003Cbr>\r\n官方公众号：\r\n\r\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdafish-ai_NTU-Machine-learning_readme_11ccc5fa99bc.png)\r\n","# 大鱼AI🐟 ：李宏毅机器学习(台湾大学)\r\n\r\n\r\n## 课程资料\r\n1. [课程主页](http:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~tlkagk\u002Fcourses_ML17_2.html)  \r\n2. [课程笔记](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82253966) \r\n3. [课件百度云下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1UKYLGte5SJ1EWxxAaUcKOw)  \r\n3. [课程视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361?from=search&seid=8516959386096686045)  \r\n4. [环境配置Anaconda](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002Fassets\u002FAnaconda完全入门指南.md)  \r\n5. [Jupyter NoteBook配置](http:\u002F\u002Fbaijiahao.baidu.com\u002Fs?id=1601883438842526311&wfr=spider&for=pc)  \r\n6. [Anaconda加速下载镜像](https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Farchive\u002F?C=M&O=D)  \r\n7. [作业](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Ftree\u002Fmaster\u002F李宏毅机器学习-作业)\r\n8. 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:  \r\n    [Docker环境配置](https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo)  \r\n    [本地环境配置](https:\u002F\u002Fgithub.com\u002Flearning511\u002Fcs224n-learning-camp\u002Fblob\u002Fmaster\u002Fenvironment.md)\r\n\r\n\r\n## 重要一些的资源：\r\n1. [Dr.Wu 博客71篇(机器学习、深度学习、强化学习、对抗网络)](https:\u002F\u002Fme.csdn.net\u002Fdukuku5038)  \r\n2. [Dr.Wu 本人知乎](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002FDr.Wu\u002Factivities)  \r\n3. [深度学习经典论文](https:\u002F\u002Fgithub.com\u002Ffloodsung\u002FDeep-Learning-Papers-Reading-Roadmap.git)\r\n4. [深度学习斯坦福教程](http:\u002F\u002Fdeeplearning.stanford.edu\u002Fwiki\u002Findex.php\u002FUFLDL%E6%95%99%E7%A8%8B)\r\n5. [廖雪峰python3教程](https:\u002F\u002Fwww.liaoxuefeng.com\u002Farticle\u002F001432619295115c918a094d8954bd493037b03d27bf9a9000)\r\n6. [github教程](https:\u002F\u002Fwww.liaoxuefeng.com\u002Fwiki\u002F0013739516305929606dd18361248578c67b8067c8c017b000)\r\n7. [莫烦机器学习教程](https:\u002F\u002Fmorvanzhou.github.io\u002Ftutorials)\r\n8. [深度学习经典论文](https:\u002F\u002Fgithub.com\u002Ffloodsung\u002FDeep-Learning-Papers-Reading-Roadmap.git)\r\n9. [机器学习代码修行100天](https:\u002F\u002Fgithub.com\u002FAvik-Jain\u002F100-Days-Of-ML-Code)  \r\n10. [吴恩达机器学习新书：machine learning yearning](https:\u002F\u002Fgithub.com\u002FAcceptedDoge\u002Fmachine-learning-yearning-cn)  \r\n11. [自上而下的学习路线: 软件工程师的机器学习](https:\u002F\u002Fgithub.com\u002FZuzooVn\u002Fmachine-learning-for-software-engineers\u002Fblob\u002Fmaster\u002FREADME-zh-CN.md)  \r\n\r\n## 1. 前言\r\n![enter image description here](https:\u002F\u002Fimages.gitbook.cn\u002Ff76f1200-3d45-11e9-b80b-13b78e2a7517)Â\r\n### 中文世界中最好的机器学习课程！\r\n\r\n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\r\n\r\n^_^）\r\n\r\n\r\n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：\r\n\r\n（一）监督学习（回归、分类、BP反向传播、梯度下降）\r\n\r\n（二）无监督学习（AutoEncoder、Neighbor Embedding、Deep Generative Model）\r\n\r\n（三）迁移学习 （Transfer learning）\r\n\r\n（四）结构化学习（Structure learning）\r\n\r\n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。\r\n\r\n## 2.数学知识复习  \r\n1.[线性代数](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002Freadings\u002Fcs229-linalg.pdf)  \r\n2.[概率论](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002Freadings\u002Fcs229-prob.pdf)  \r\n3.[凸函数优化](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002Freadings\u002Fcs229-cvxopt.pdf)  \r\n4.[随机梯度下降算法](http:\u002F\u002Fcs231n.github.io\u002Foptimization-1\u002F)  \r\n\r\n#### 中文资料：    \r\n- [机器学习中的数学基本知识](https:\u002F\u002Fwww.cnblogs.com\u002Fsteven-yang\u002Fp\u002F6348112.html)  \r\n- [统计学习方法](http:\u002F\u002Fvdisk.weibo.com\u002Fs\u002FvfFpMc1YgPOr)  \r\n**大学数学课本（从故纸堆里翻出来^_^）**  \r\n\r\n### 3.编程工具\r\n\r\n#### 大鱼谷歌python训练营：  \r\n- [谷歌python](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FPython-GoogleCourse)  \r\n#### 斯坦福资料：\r\n- [Python复习](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002Flectures\u002Fpython-review.pdf)  \r\n\r\n#### 4. 中文书籍推荐：\r\n- 《机器学习》周志华  \r\n\r\n- 《统计学习方法》李航  \r\n\r\n- 《机器学习课》邹博  \r\n\r\n## 5. 学习安排\r\n本课程需要8周共15节课，\r\n每周具体时间划分为4个部分:  \r\n- 1部分安排周一到周二  \r\n- 2部分安排在周四到周五  \r\n- 3部分安排在周日  \r\n- 4部分作业是本周任何时候空余时间    \r\n- 周日晚上提交作业运行截图  \r\n- 周三、周六休息^_^  \r\n\r\n#### 6.作业提交指南：  \r\n\r\n\r\n## 7.学习安排\r\n一、整体学习路线  \r\n![enter image description here](https:\u002F\u002Fimages.gitbook.cn\u002F6cca4220-37df-11e9-8aed-c31cd798611f)  \r\n二、整体学习分解脑图\r\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdafish-ai_NTU-Machine-learning_readme_9107ec3f6cdd.png)\r\n三、具体学习计划\r\n### week 1  \r\n**学习准备**  \r\n**知识点复习**  \r\n**学习组队**  \r\n\r\n**第1节： 引言(Introduction)**  \r\n**课件：**[lecture1](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F1-introduction.pdf)  \r\n**笔记：**[lecture1-note1](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82347021)  \r\n**视频：**  \r\n\t1.1 欢迎:[Welcome to Machine Learning](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=1)  \r\n\t1.2 为什么要学习机器学习？:[Why learning ？](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=2)  \r\n**作业 Week1：**\r\n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](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek1\u002FWeek1-CSDN%E5%8D%9A%E5%AE%A2%E4%B8%8EGithub%E5%88%9B%E5%BB%BA.md)\r\n\r\n---\r\n\r\n### week 2\r\n**第2节： 回归问题**  \r\n**课件：**[lecture2](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F2-Regression.pdf)  \r\n**笔记：**[lecture2-note2](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82503111)  \r\n**视频：**  \r\n\t2.1 回归:[Regression](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=3)  \r\n\t2.2 回归 Demo:[Demo](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=4)  \r\n\r\n**第3节： 错误分析**  \r\n**课件：**[lecture3](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F3-Bias%20and%20Variance%20(v2).pdf)  \r\n**笔记：**[lecture3-note3](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82682855)  \r\n**视频：**  \r\n\t2.3 错误从哪里来[Error Handle](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=5)  \r\n\r\n**作业 Week2：**:  \r\n  纯python实现[CEO的的利润预测](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek2\u002F%E4%BD%9C%E4%B8%9A1.md)  \t\r\n\r\n---------------------------------------------------------\r\n\r\n### week 3   \r\n**第4节： 梯度下降(Gradient Descent )**  \r\n**课件：**[lecture4](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F李宏毅机器学习-课件\u002F4-Gradient%20Descent%20(v2).pdf)  \r\n**笔记：**[lecture4-note4](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83608873)  \r\n**视频：**  \r\n\t3.1梯度下降:[Gradient Descent](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=6)  \r\n\t3.2梯度下降Demo1:[Gradient Descent Demo1](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=7)  \r\n\t3.3梯度下降Demo2:[Gradient Descent Demo2](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=8)  \r\n\r\n**作业 Week3：**:  \r\n  [PM2.5回归预测](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek3\u002FWeek3-PM2.5%E9%A2%84%E6%B5%8B.md)  \r\n\r\n---------------------------------------------------------\n\n### 第4周  \n**第5节：分类：概率生成模型**  \n**课件：**[lecture5](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F李宏毅机器学习-课件\u002F5-Classification%20(v3).pdf)  \n**笔记：**[lecture5-note5](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82698867)  \n**视频：**  \n\t4.1分类：概率生成模型:[Classification：Probabilistic Generative Model](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=10)  \n\n**第6节：分类：逻辑回归**  \n**课件：**[lecture6](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F李宏毅机器学习-课件\u002F6-Logistic%20Regression%20(v3).pdf)  \n**笔记：**[lecture6-note6](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F82585523)  \n**视频：**  \n\t4.2分类：逻辑回归:[Logistic Regression](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=11)  \n\n**作业 Week4：**:\n\n收入预测[Winner or Loser](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Ftree\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek4)\n\n---------------------------------------------------------\n\n### 第5周     \n**第7节：深度学习简介**  \n**课件：**[lecture7](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F7-DL%20(v2).pdf)  \n**笔记：**[lecture7-note7](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83217542)  \n**视频：**                                  \r\n\t5.1 深度学习简介:[Introduction to Deep learning](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=13)  \r\n\t5.2 反向传播算法：[Back Prppagation](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=14) \n\n**第8节：“Hello world” of Deep learning**  \n**课件：**[lecture8](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F8-BP.pdf)  \n**笔记：**[lecture8-note8](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83721330)  \n**视频：**                                  \n\t5.1 [DeepLearning Demo](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=15)  \n\t5.2  Keras Demo：[Demo](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=16)  \n\t5.2  Keras Demo1：[Demo1](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=17)  \n\n**第9节：深度学习技巧**  \n**课件：**[lecture9](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F10-DNN%20tip.pdf)  \n**笔记：**[lecture8-note9](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83680923)  \n**视频：**                                  \n\t5.3 [DeepLearning tips](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=18)  \n\t5.4  Keras Demo2：[Demo2](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=19)  \n\n**作业 Week5：**:  \n深度神经网络[Keras实现手写数字识别](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek5\u002FWeek5-Keras%E5%AE%9E%E7%8E%B0%E6%89%8B%E5%86%99%E6%95%B0%E5%AD%97%E8%AF%86%E5%88%AB.md)\n\n---------------------------------------------------------\n### 第6周  \n**第10节：卷积神经网络(CNN)**  \n**课件：**[lecture10](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F11-CNN.pdf)  \n**笔记：**[lecture10-note10](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83735926)  \n**视频：**  \n\t6.1 卷积神经网络:[CNN](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=21)  \n\n**第11节：为什么要深度学习**  \n**课件：**[lecture11](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F12-Why-deep.pdf)  \n**笔记：**[lecture11-note11](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83774169)  \n**视频：**  \n\t6.2 为什么要深度学习:[Why Deep](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=22)  \n\n**作业 Week6：**:  \n卷积神经网络[CNN实现手写数字识别](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%AE%8F%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek6\u002FWeek6-CNN%E5%AE%9E%E7%8E%B0%E6%89%8B%E5%86%99%E6%95%B0%E5%AD%97%E8%AF%86%E5%88%AB.md)\n \n---------------------------------------------------------\n### 第7周\n**第12节：循环神经网络(RNN)**  \n**课件：**[lecture12](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%BC%98%E6%AF%85-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F13-RNN%20(v2).pdf)  \n**笔记：**[lecture12-note12](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83830994)  \n**视频：**  \n\t7.1 循环神经网络:[RNN](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=36)  \n\n**第13节：循环神经网络（LSTM、GRU）**  \n**课件：**[lecture13](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%BC%98%E6%AF%85-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F13-RNN%20(v2).pdf)  \n**笔记：**[lecture13-note13](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F83870172)  \n**视频：**  \n\t7.2 循环神经网络:[LSTM，GRU](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=37)  \n\n**作业 Week7：**:\nTwitter文本情绪分类[Text Sentiment](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%BC%98%E6%AF%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E4%BD%9C%E4%B8%9A\u002Fweek7\u002FREADME.md)\n\n---------------------------------------------------------\n### 第8周\n**第14节：迁移学习**\n**课件：**[lecture14](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%BC%98%E6%AF%85-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F16-transfer%20(v3).pdf)  \n**笔记：**[lecture14-note14]()  \n**视频：**  \n\t8.1 迁移学习:[Transfer learning](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=30)  \n\n**第15节：强化学习（Reinforcement learning)**\n\n**课件：**[lecture15](https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning\u002Fblob\u002Fmaster\u002F%E6%9D%8E%E5%BC%98%E6%AF%85-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E8%AF%BE%E4%BB%B6\u002F17-RL%20(v6).pdf)  \n**笔记：**[lecture15-note15](https:\u002F\u002Fblog.csdn.net\u002Fdukuku5038\u002Farticle\u002Fdetails\u002F84810898)  \n**视频：**  \n\t8.2 强化学习:[Reinforcement learning](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav10590361\u002F?p=39)  \n\n---\n\n### 课程大作业：Kaggle 泰坦尼克号  \n\n![enter image description here](https:\u002F\u002Fimages.gitbook.cn\u002F77443310-3e1e-11e9-a7f2-db689d3df630)\n\n## 联系我们：\u003Cbr>\n官网：[点击进入](http:\u002F\u002Fwww.dayufish.com\u002F) \u003Cbr>\n官方公众号：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdafish-ai_NTU-Machine-learning_readme_11ccc5fa99bc.png)","# NTU-Machine-learning 快速上手指南\n\n本指南基于李宏毅老师（台湾大学）的机器学习课程资源整理，旨在帮助开发者快速搭建环境并开始学习。\n\n## 1. 环境准备\n\n### 系统要求\n- **推荐系统**：Linux 或 macOS（比赛环境推荐）。Windows 用户建议使用 WSL 或 Docker。\n- **硬件建议**：具备 NVIDIA GPU 可加速深度学习部分（可选，CPU 亦可运行基础代码）。\n\n### 前置依赖\n- **Python**: 建议版本 3.6+\n- **包管理工具**: Anaconda (强烈推荐，包含常用科学计算库)\n- **代码编辑器**: VS Code, PyCharm 或 Jupyter Notebook\n\n### 国内加速方案\n为避免下载缓慢，强烈建议使用清华大学开源软件镜像站进行 Anaconda 及相关包的下载。\n- **Anaconda 历史版本下载镜像**: https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Farchive\u002F?C=M&O=D\n- **配置 Conda 国内源** (安装后执行):\n  ```bash\n  conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F\n  conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\n  conda config --set show_channel_urls yes\n  ```\n\n## 2. 安装步骤\n\n### 步骤一：安装 Anaconda\n1. 访问上述清华镜像站下载适合你操作系统的 Anaconda 安装包。\n2. 按照官方安装向导完成安装。\n3. 验证安装：\n   ```bash\n   conda --version\n   ```\n\n### 步骤二：创建课程专属环境\n建议为课程创建一个独立的虚拟环境，避免依赖冲突。\n\n```bash\n# 创建名为 ml_ntu 的环境，指定 Python 版本为 3.8\nconda create -n ml_ntu python=3.8\n\n# 激活环境\nconda activate ml_ntu\n```\n\n### 步骤三：安装核心依赖库\n本课程主要涉及回归、分类、神经网络等，需安装以下核心库：\n\n```bash\n# 安装基础科学计算库\nconda install numpy pandas matplotlib scikit-learn jupyter\n\n# 安装深度学习框架 (根据需求选择 TensorFlow 或 PyTorch，课程中多用 Keras\u002FTensorFlow)\npip install tensorflow keras\n\n# 若使用 PyTorch (推荐国内镜像加速)\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 步骤四：获取课程代码与资料\n克隆本项目仓库以获取作业代码和课件链接：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdafish-ai\u002FNTU-Machine-learning.git\ncd NTU-Machine-learning\n```\n\n## 3. 基本使用\n\n### 启动 Jupyter Notebook\n课程作业多以 Jupyter Notebook 形式提供，启动方式如下：\n\n```bash\n# 确保已在 ml_ntu 环境中\nconda activate ml_ntu\n\n# 进入作业目录 (以第一周作业为例)\ncd 李宏毅机器学习 - 作业\u002Fweek1\n\n# 启动 Jupyter\njupyter notebook\n```\n浏览器将自动打开，点击对应的 `.ipynb` 文件即可开始编写和运行代码。\n\n### 最简单的使用示例：运行回归预测\n以 Week 2 的“纯 Python 实现 CEO 利润预测”为例：\n\n1. 在 Jupyter 中打开 `作业 1.md` 对应的 Notebook 文件（如有）或新建一个 `.py` 文件。\n2. 导入基础库并尝试运行简单的线性回归逻辑：\n\n```python\nimport numpy as np\nfrom sklearn.linear_model import LinearRegression\n\n# 模拟数据 (X: 年份，y: 利润)\nX = np.array([[2019], [2020], [2021], [2022]])\ny = np.array([50000, 55000, 62000, 70000])\n\n# 初始化并训练模型\nmodel = LinearRegression()\nmodel.fit(X, y)\n\n# 预测 2023 年利润\nprediction = model.predict([[2023]])\nprint(f\"2023 年预测利润：{prediction[0]:.2f}\")\n```\n\n### 学习路线建议\n1. **Week 1**: 配置环境，注册 GitHub，撰写第一篇博客。\n2. **Week 2-4**: 重点掌握监督学习基础（回归、梯度下降、逻辑回归），完成对应 Python 手写实现作业。\n3. **Week 5-6**: 进入深度学习，利用 Keras\u002FTensorFlow 完成手写数字识别 (MNIST)。\n4. **Week 7-8**: 进阶学习 RNN、迁移学习与强化学习，尝试文本情绪分类等任务。\n\n> **提示**：所有课件 (PDF)、视频链接 (Bilibili) 及详细笔记 (CSDN) 均已在仓库目录及 README 中列出，请配合每周作业同步学习。","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。\n\n### 没有 NTU-Machine-learning 时\n- **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。\n- **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。\n- **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。\n- **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”。\n\n### 使用 NTU-Machine-learning 后\n- **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。\n- **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。\n- **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。\n- **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。\n\nNTU-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。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdafish-ai_NTU-Machine-learning_58a3b579.png","dafish-ai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdafish-ai_f5d26c41.jpg",null,"https:\u002F\u002Fgithub.com\u002Fdafish-ai",[19,23],{"name":20,"color":21,"percentage":22},"Jupyter Notebook","#DA5B0B",59,{"name":24,"color":25,"percentage":26},"Python","#3572A5",41,1162,383,"2026-04-10T09:35:52",2,"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\u002FCNN\u002FRNN 作业）","未说明",{"notes":35,"python":36,"dependencies":37},"1. 比赛环境明确推荐使用 Linux 或 Mac 系统，提供了 Docker 和本地环境配置指南。2. 核心编程工具为 Anaconda 和 Jupyter Notebook。3. 深度学习部分作业（如手写数字识别、文本情绪分类）明确使用 Keras 框架。4. 课程包含大量数学知识复习和纯 Python 实现作业，建议具备良好的数学和 Python 编程基础。5. 具体依赖版本未在文档中列出，需参考提供的 Anaconda 配置指南或自行根据教程安装。","未说明（文中提及 Python 复习及谷歌 Python 训练营，暗示需具备 Python 基础）",[38,39,20,40],"Keras","TensorFlow (隐含，因使用 Keras)","Anaconda",[42],"其他","ready","2026-03-27T02:49:30.150509","2026-04-13T00:23:11.151600",[],[],[49,65,74,82,91,99],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":30,"last_commit_at":55,"category_tags":56,"status":43},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。",85092,"2026-04-10T11:13:16",[57,58,59,60,61,42,62,63,64],"图像","数据工具","视频","插件","Agent","语言模型","开发框架","音频",{"id":66,"name":67,"github_repo":68,"description_zh":69,"stars":70,"difficulty_score":71,"last_commit_at":72,"category_tags":73,"status":43},5784,"funNLP","fighting41love\u002FfunNLP","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。\n\n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。\n\n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。",79857,1,"2026-04-08T20:11:31",[62,58,42],{"id":75,"name":76,"github_repo":77,"description_zh":78,"stars":79,"difficulty_score":71,"last_commit_at":80,"category_tags":81,"status":43},5773,"cs-video-courses","Developer-Y\u002Fcs-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。\n\n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。\n\n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。",79792,"2026-04-08T22:03:59",[42,57,58,63],{"id":83,"name":84,"github_repo":85,"description_zh":86,"stars":87,"difficulty_score":88,"last_commit_at":89,"category_tags":90,"status":43},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",[61,57,63,62,42],{"id":92,"name":93,"github_repo":94,"description_zh":95,"stars":96,"difficulty_score":88,"last_commit_at":97,"category_tags":98,"status":43},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。",75415,"2026-04-12T10:44:54",[62,57,63,42],{"id":100,"name":101,"github_repo":102,"description_zh":103,"stars":104,"difficulty_score":71,"last_commit_at":105,"category_tags":106,"status":43},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,"2026-04-03T21:50:24",[63,42]]