ML-Course-Notes
ML-Course-Notes 是一个专注于机器学习、自然语言处理及人工智能领域的开源笔记协作平台。它致力于解决学习者在研读高质量课程时面临的资料分散、笔记难以共享以及复习效率低等痛点。通过汇聚全球学习者的智慧，该项目将吴恩达（Andrew Ng）的“机器学习专项课程”和麻省理工学院（MIT）的“深度学习导论”等顶尖教程的核心内容，整理成结构清晰、易于查阅的数字化笔记。
这里不仅提供了课程视频的直接链接，更关键的是分享了由社区成员精心编写的详细学习笔记，涵盖了从监督学习、神经网络基础到 Transformer 架构、计算机视觉及生成式模型等前沿主题。部分笔记虽标记为“正在完善中”，但已发布的内容展现了极高的专业度与逻辑性。
ML-Course-Notes 特别适合 AI 领域的初学者、在校学生、开发者以及希望系统巩固理论基础的研究人员使用。对于想要快速掌握课程精髓或寻找复习提纲的用户而言，它是一个极佳的辅助资源。其独特的亮点在于采用开放协作模式，让笔记随着社区贡献不断迭代更新，打破了传统单向学习的局限，营造出共同进步的学术氛围。无论你是刚入门的小白还是资深从业者，都能在这里找到有价值的学习路径参考。
使用场景
刚入职的算法工程师小李需要在一周内快速复现 MIT 6.S191 课程中关于 Transformer 的论文实验，以应对即将到来的技术评审。
没有 ML-Course-Notes 时
- 资源分散难整合：需要在 YouTube 找视频、在课程官网找大纲、再自行搜索零散的笔记，来回切换窗口极大消耗时间。
- 核心概念理解慢：面对复杂的数学推导和代码实现，缺乏结构化的文字总结，仅靠观看视频难以快速抓住 RNN 与 Transformer 的关键差异。
- 学习进度不可控：由于缺乏清晰的章节对照表，容易遗漏“深度生成模型”等关键前置知识，导致复现代码时频繁报错却不知根源。
- 协作交流无依据：在与导师讨论技术细节时，因没有统一的权威笔记作为参考，沟通效率低下，常出现对术语理解不一致的情况。
使用 ML-Course-Notes 后
- 一站式获取资源：直接通过 ML-Course-Notes 的表格索引，一键直达 MIT 课程对应的视频链接与 Elvis 整理的高质量 Notion 笔记，无需多方搜寻。
- 难点解析更透彻：借助笔记中对"RNNs and Transformers"章节的精炼总结，迅速理解了注意力机制的核心逻辑，将理论消化时间缩短了 60%。
- 学习路径清晰化：利用工具中明确的课程目录（如从基础神经网络到计算机视觉），按图索骥补齐了“深度生成模型”的知识盲区，复现过程一次成功。
- 团队协作更高效：直接分享 ML-Course-Notes 中的具体章节链接给导师，双方基于同一份结构化笔记进行技术对齐，评审准备时间大幅压缩。
ML-Course-Notes 通过将分散的全球顶尖课程资源结构化，让开发者从繁琐的信息搜集者转变为高效的知识应用者。
运行环境要求
未说明
未说明
快速开始
🎓 机器学习课程笔记
一个协作和分享与机器学习、自然语言处理及人工智能相关所有主题讲义的地方。
WIP 表示工作正在进行中。
机器学习专项课程（2022年）
官网 | 讲师：吴恩达
| 讲座 | 简介 | 视频 | 笔记 | 作者 |
|---|---|---|---|---|
| 机器学习导论 | 监督式机器学习：回归与分类 | 视频 | 笔记 | Elvis |
| 高级学习算法 | 高级学习算法 | 视频 | WIP | Elvis |
| 无监督学习、推荐系统、强化学习 | 无监督学习、推荐系统、强化学习 | 视频 | WIP | Elvis |
MIT 6.S191 深度学习导论（2022年）
官网 | 讲师：Alexander Amini 和 Ava Soleimany
| 讲座 | 简介 | 视频 | 笔记 | 作者 |
|---|---|---|---|---|
| 深度学习导论 | 神经网络和深度学习的基本原理。 | 视频 | 笔记 | Elvis |
| RNN与Transformer | 循环神经网络和Transformer的介绍。 | 视频 | 笔记 | Elvis |
| 深度计算机视觉 | 用于计算机视觉的深度神经网络。 | 视频 | 笔记 | Elvis |
| 深度生成模型 | 自编码器和GAN。 | 视频 | 笔记 | Elvis |
| 深度强化学习 | 深度强化学习的关键概念及DQN。 | 视频 | 笔记 | Elvis |
卡内基梅隆大学 NLP中的神经网络（2021年）
官网 | 讲师：Graham Neubig
| 讲座 | 简介 | 视频 | 笔记 | 作者 |
|---|---|---|---|---|
| NLP中简单神经网络导论 | 介绍了用于NLP的神经网络，涵盖BOW、CBOW和深度CBOW等概念 | 视频 | 笔记 | Elvis |
CS224N：使用深度学习进行自然语言处理（2022年）
官网 | 讲师：Christopher Manning
| 讲座 | 简介 | 视频 | 笔记 | 作者 |
|---|---|---|---|---|
| 导论与词向量 | 自然语言处理导论与词向量。 | 视频 | 笔记 | Elvis |
| 神经网络分类器 | 用于NLP的神经网络分类器。 | 视频 | WIP | Elvis |
CS25：Transformer大联合
官网 | 教师：Div Garg、Chetanya Rastogi、Advay Pal
| 讲座 | 简介 | 视频 | 笔记 | 作者 |
|---|---|---|---|---|
| Transformer入门 | 关于注意力机制和Transformer的简要概述。 | 视频 | 笔记 | Elvis |
| 语言中的Transformer：GPT-3、Codex | 包括GPT3在内的GPT模型的发展历程。 | 视频 | 进行中 | Elvis |
神经网络：从零到英雄
讲座 | 教师：Andrej Karpathy
| 讲座 | 简介 | 视频 | 笔记 | 作者 |
|---|---|---|---|---|
| 让我们从头开始用代码实现GPT | GPT的详细讲解 | 视频 | 进行中 | Elvis |
其他讲座
| 讲座 | 简介 | 视频 | 笔记 | 作者 |
|---|---|---|---|---|
| 扩散模型导论 | 扩散模型的技术概述 | 视频 | 进行中 | Elvis |
| 基于人类反馈的强化学习（RLHF） | RLHF的概述 | 视频 | 进行中 | Elvis |
如何贡献
- 从这份列表中选择一门课程和相应的讲座。如果你正在撰写某次讲座的笔记，请先开一个issue说明，以避免重复工作。
- 撰写你的笔记，建议使用Google文档、Notion文档或GitHub仓库。
- 我们注重质量，因此在提交之前请务必对笔记进行修订。
- 完成后，在这里打开一个PR。
如有任何问题，请开一个issue，或通过Twitter联系我。
加入我们的Discord。
相似工具推荐
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
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。
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。