[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-datawhalechina--statistical-learning-method-solutions-manual":3,"tool-datawhalechina--statistical-learning-method-solutions-manual":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","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。\n\n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。\n\nNextChat 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。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":95,"env_deps":97,"category_tags":110,"github_topics":111,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":114,"updated_at":115,"faqs":116,"releases":157},3088,"datawhalechina\u002Fstatistical-learning-method-solutions-manual","statistical-learning-method-solutions-manual","机器学习方法习题解答，在线阅读地址：https:\u002F\u002Fdatawhalechina.github.io\u002Fstatistical-learning-method-solutions-manual","statistical-learning-method-solutions-manual 是专为李航老师经典教材《统计学习方法》与《机器学习方法》打造的开源习题解答项目。它旨在解决学习者在研读这两本权威著作时，面临公式推导复杂、课后习题难解以及理论难以落地实践的核心痛点。\n\n本项目不仅提供了覆盖监督学习、无监督学习及深度学习三大板块的全书习题详细解析，还特别注重“知行合一”，为感知机、支持向量机、Transformer 等核心算法配备了基于 Python 3.10+ 和 PyTorch 的完整代码实现。通过图文并茂的笔记和可视化的决策树演示，它将抽象的数学原理转化为直观的运行结果，并针对书中难点提供了专业的勘误与补充说明。\n\n该资源非常适合机器学习初学者、算法工程师以及备战考研或求职的开发者使用。使用者只需具备基础的 Python 编程能力和大学数学知识，即可借助该项目从理论推导平滑过渡到代码实战，系统性地巩固机器学习知识体系。作为 Datawhale 社区的协作成果，它以开放的姿态持续迭代，是深入理解机器学习底层逻辑的优质辅助工具。","\u003Ch1 align=\"center\"> 机器学习方法习题解答（⚠️ Alpha内测版） \u003C\u002Fh1>\n\n> [!CAUTION]\n> ⚠️ Alpha内测版本警告：此为早期内部构建版本，尚不完整且可能存在错误，欢迎大家提Issue反馈问题或建议。\n\n  李航老师的《统计学习方法》和《机器学习方法》是机器学习领域的经典入门教材之一。本书分为监督学习、无监督学习和深度学习，全面系统地介绍了机器学习的主要方法。\n\n- 第1篇主要介绍监督学习的主要方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等；\n- 第2篇主要介绍无监督学习的主要方法，包括聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔科夫链蒙特卡罗法、潜在狄利克雷分配和PageRank算法等；\n- 第3篇主要介绍深度学习的主要方法，包括前馈神经网络、卷积神经网络、循环神经网络、序列到序列模型、预训练语言模型和生成对抗网络等。 \n\n## 项目受众\n\n本项目的受众主要包括：\n1. **机器学习初学者**：正在学习李航老师《统计学习方法》或《机器学习方法》的同学，希望通过习题解答辅助理解。\n2. **算法工程师\u002F开发者**：希望深入理解机器学习算法原理，并寻找相关算法的 Python 实现代码（如感知机、决策树、SVM、Transformer 等）的开发者。\n3. **备战考研\u002F求职者**：需要系统复习机器学习基础理论和推导细节，巩固知识体系的同学。\n\n本项目能为你提供：\n- **全书习题详解**：涵盖监督学习、无监督学习、深度学习三大部分的课后习题详细解答。\n- **Python 代码实现**：提供相关算法的 Python 代码实现（基于 Python 3.10+，部分涉及 PyTorch），帮助你从理论走向实践。\n- **图文并茂的解析**：通过代码运行结果截图、决策树可视化等方式，直观展示算法运行过程。\n- **勘误与补充**：针对书中的难点或潜在错误提供补充说明和勘误。\n\n基础能力要求：\n- **Python 编程基础**：能够阅读和编写基本的 Python 代码，了解常用的数据科学库（如 NumPy, Pandas 等）。\n- **数学基础**：具备大学数学基础知识，主要包括：\n  - **高等数学**：微积分（偏导数、梯度）、拉格朗日乘数法、最优化方法等。\n  - **线性代数**：向量与矩阵运算、特征值与特征向量、奇异值分解 (SVD) 等。\n  - **概率论与数理统计**：条件概率、贝叶斯公式、常见概率分布、期望与方差、极大似然估计等。\n- **环境配置能力**：能够使用 pip 安装依赖包，配置基本的 Python 运行环境（如 Jupyter Notebook）。\n\n## 在线阅读\n在线阅读地址：https:\u002F\u002Fdatawhalechina.github.io\u002Fstatistical-learning-method-solutions-manual\n\n## 选用的《机器学习方法》版本\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_statistical-learning-method-solutions-manual_readme_b0a4bd22b907.png\" width=\"336\" height= \"500\">\n\n> 书名：机器学习方法  \n> 作者：李航  \n> 出版社：清华大学出版社  \n> 版次：2022年3月第1版  \n\n## Notebook运行环境配置\n1. 基础环境：Python3.12+、node 18.20.4+\n\n2. 安装UV\n    ```shell\n    pip install uv\n    set UV_INDEX=https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\n    ```\n\n3. 安装Python依赖包\n    ```shell\n    uv sync --python 3.12 --all-extras\n    ```\n\n4. 安装graphviz（用于展示决策树）  \n    可参考博客：https:\u002F\u002Fblog.csdn.net\u002FHNUCSEE_LJK\u002Farticle\u002Fdetails\u002F86772806\n\n5. 安装PyTorch\n访问[PyTorch官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F)，选择合适的版本安装PyTorch，有条件的小伙伴可以下载GPU版本\n    ```shell\n    uv pip install torch==2.7.1 torchvision==0.22.1 torchaudio torchviz --index https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n    ```\n\n6. 启动notebook\n    ```shell\n    jupyter notebook\n    ```\n\n7. 运行vitepress框架\n    ```shell\n    npm run docs:dev\n    ```\n\n## 协作规范\n1. 由于习题解答中需要有程序和执行结果，采用jupyter notebook的格式进行编写（文件路径：notebook\u002Fnotes），然后将其导出成markdown格式，再覆盖到docs对应的章节下。\n2. 可按照Notebook运行环境配置，配置相关的运行环境。\n3. 习题解答编写中，需要尽量使用初学者（有高数基础）能理解的数学概念，如果涉及公式定理的推导和证明，可附上参考链接。\n4. 当前进度：\n\n| 章节名 |  进度  | 负责人 | 审核人 |\n| :---: | :----: | :----: | :----: |\n|  第1章 统计学习方法概论         | ✅ | 胡锐锋、毛鹏志 | 王维嘉、毛鹏志、范佳慧 |\n|  第2章 感知机                 | ✅ | 胡锐锋 | 毛鹏志、范佳慧、王天富、王茸茸 |\n|  第3章 k近邻法                | ✅ | 胡锐锋 | 王维嘉、毛鹏志、王茸茸 |\n|  第4章 朴素贝叶斯法            | ✅ | 胡锐锋、王维嘉 | 王瀚翀、王天富、王茸茸 |\n|  第5章 决策树                 | ✅ | 胡锐锋、王维嘉 |  王瀚翀、王天富、王茸茸 |\n|  第6章 逻辑斯谛回归与最大熵模型 | ✅ | 胡锐锋 | 毛鹏志、范佳慧、王瀚翀 |\n|  第7章 支持向量机              | ✅ | 胡锐锋、王茸茸 | 王维嘉、王瀚翀、王天富 |\n|  第8章 提升方法               | ✅ | 胡锐锋、王茸茸 | 王维嘉、毛鹏志、王瀚翀 |\n|  第9章 EM算法及其推广          | ✅ | 胡锐锋 | 毛鹏志、范佳慧、王瀚翀、王茸茸 |\n|  第10章 隐马尔可夫模型          | ✅ | 胡锐锋、王瀚翀 | 王维嘉、范佳慧、王天富、王茸茸 |\n|  第11章 条件随机场             | ✅ | 胡锐锋、王瀚翀 | 王维嘉、范佳慧、王天富 |\n|  第14章 聚类方法               | ✅ | 胡锐锋、刘晓东 | 毛鹏志、汪健麟、王天富 |\n|  第15章 奇异值分解             | ✅ | 胡锐锋、李拥祺 | 张宇明、刘晓东、兰坤 |\n|  第16章 主成分分析             | ✅ | 胡锐锋、王茸茸 | 张宇明、刘晓东、范致远、兰坤 |\n|  第17章 潜在语义分析            | ✅ | 胡锐锋 | 汪健麟、王天富、兰坤 |\n| 第18章 概率潜在语义分析        | ✅ | 胡锐锋 | 毛鹏志、兰坤、汪健麟、张宇明 |\n| 第19章 马尔可夫链蒙特卡罗法     |  ✅ | 胡锐锋、王天富 | 毛鹏志、刘晓东、范致远、汪健麟 |\n| 第20章 潜在狄利克雷分配        | ✅ | 胡锐锋、薛博阳 | 毛鹏志、刘晓东、范致远、王天富 |\n| 第21章 PageRank算法         | ✅ | 胡锐锋、毛鹏志 | 张宇明、范致远、王天富 |\n| 第23章 前馈神经网络           | ✅ | 胡锐锋、毛鹏志 | 王天富、李拥祺、王昊文、胡磊 |\n| 第24章 卷积神经网络           | ✅ | 胡锐锋、王天富 | 王昊文、李拥祺、胡磊、李拙 |\n| 第25章 循环神经网络           | ✅ | 胡锐锋、王昊文 | 毛鹏志、李拥祺、王天富、李拙 |\n| 第26章 序列到序列模型         | 🚧 | 胡锐锋、薛博阳 | 毛鹏志、王昊文、胡磊、李拙 |\n| 第27章 预训练语言模型         | ✅ | 胡锐锋、范致远 | 毛鹏志、胡磊、王天富、李拙 |\n| 第28章 生成对抗网络           | ✅ | 胡锐锋、胡磊 | 毛鹏志、王昊文、王天富、李拥祺 |\n\n## 项目结构\n\u003Cpre>\ncodes----------------------------------------------习题代码\n|   +---ch02-----------------------------------------第2章习题解答代码\n|   |   +---perceptron.py------------------------------习题2.2（构建从训练数据求解感知机模型的例子）\n|   +---ch03-----------------------------------------第3章习题解答代码\n|   |   +---k_neighbors_classifier.py------------------习题3.1（k近邻算法关于k值的模型比较）\n|   |   +---kd_tree_demo.py----------------------------习题3.2（kd树的构建与求最近邻点）\n|   |   +---my_kd_tree.py------------------------------习题3.3（用kd树的k邻近搜索算法）\n|   +---ch05-----------------------------------------第5章习题解答代码\n|   |   +---k_neighbors_classifier.py------------------习题5.1（调用sklearn的DecisionTreeClassifier类使用C4.5算法生成决策树）\n|   |   +---my_decision_tree.py------------------------习题5.1（自编程实现C4.5生成算法）\n|   |   +---my_least_squares_regression_tree.py--------习题5.2（最小二乘回归树生成算法）\n|   +---ch06-----------------------------------------第6章习题解答代码\n|   |   +---my_logistic_regression.py------------------习题6.2（实现Logistic回归模型学习的梯度下降法）\n|   |   +---maxent_dfp.py------------------------------习题6.3（最大熵模型学习的DFP算法）\n|   +---ch07-----------------------------------------第7章习题解答代码\n|   |   +---svm_demo.py--------------------------------习题7.2（根据题目中的数据训练SVM模型，并在图中画出分离超平面、间隔边界及支持向量）\n|   +---ch08-----------------------------------------第8章习题解答代码\n|   |   +---adaboost_demo.py---------------------------习题8.1（使用sklearn的AdaBoostClassifier分类器实现）\n|   |   +---my_adaboost.py-----------------------------习题8.1（自编程实现AdaBoost算法）\n|   +---ch09-----------------------------------------第9章习题解答代码\n|   |   +---three_coin_EM.py---------------------------习题9.1（三硬币模型的EM算法）\n|   |   +---gmm_demo.py--------------------------------习题9.3（使用GaussianMixture求解两个分量高斯混合模型的6个参数）\n|   |   +---my_gmm.py----------------------------------习题9.3（自编程实现求两个分量的高斯混合模型的5个参数）\n|   +---ch10-----------------------------------------第10章习题解答代码\n|   |   +---hidden_markov_backward.py------------------习题10.1（隐马尔可夫模型的后向算法）\n|   |   +---hidden_markov_forward_backward.py----------习题10.2（隐马尔可夫模型的前向后向算法）\n|   |   +---hidden_markov_viterbi.py-------------------习题10.3（隐马尔可夫模型的维特比算法）\n|   +---ch11-----------------------------------------第11章习题解答代码\n|   |   +---crf_matrix.py------------------------------习题11.4（使用条件随机场矩阵形式，计算所有路径状态序列的概率及概率最大的状态序列）\n|   +---ch14-----------------------------------------第14章习题解答代码\n|   |   +---divisive_clustering.py---------------------习题14.1（分裂聚类算法）\n|   +---ch15-----------------------------------------第15章习题解答代码\n|   |   +---my_svd.py----------------------------------习题15.1（自编程实现奇异值分解）\n|   |   +---outer_product_expansion.py-----------------习题15.2（外积展开式）\n|   +---ch16-----------------------------------------第16章习题解答代码\n|   |   +---pca_svd.py---------------------------------习题16.1（样本矩阵的奇异值分解的主成分分析算法）\n|   +---ch17-----------------------------------------第17章习题解答代码\n|   |   +---lsa_svd.py---------------------------------习题17.1（用矩阵奇异值分解进行潜在语义分析）\n|   |   +---divergence_nmf_lsa.py----------------------习题17.2（损失函数是散度损失时的非负矩阵分解算法）\n|   +---ch18-----------------------------------------第18章习题解答代码\n|   |   +---em_plsa.py---------------------------------习题18.1（基于生成模型的EM算法的概率潜在语义分析）\n|   +---ch19-----------------------------------------第19章习题解答代码\n|   |   +---monte_carlo_method.py----------------------习题19.1（蒙特卡洛法积分计算）\n|   |   +---metropolis_hastings.py---------------------习题19.7（使用Metropolis-Hastings算法求后验概率分布的均值和方差）\n|   |   +---gibbs_sampling.py--------------------------习题19.8（使用吉布斯抽样算法估计参数的均值和方差）\n|   +---ch20-----------------------------------------第20章习题解答代码\n|   |   +---gibbs_sampling_lda.py----------------------习题20.2（LDA吉布斯抽样算法）\n|   +---ch21-----------------------------------------第21章习题解答代码\n|   |   +---page_rank.py-------------------------------习题21.2（基本定义的PageRank的迭代算法）\n|   +---ch23-----------------------------------------第23章习题解答代码\n|   |   +---feedforward_nn_backpropagation.py----------习题23.3（自编程实现前馈神经网络的反向传播算法）\n|   +---ch24-----------------------------------------第24章习题解答代码\n|   |   +---cnn-text-classification.py-----------------习题24.7（基于CNN的自然语言句子分类模型）\n|   +---ch26-----------------------------------------第26章习题解答代码\n|   |   +---lstm_seq2seq.py----------------------------习题26.1（4层LSTM组成的序列到序列的基本模型）\n|   |   +---cnn_seq2seq.py-----------------------------习题26.4（基于CNN的序列到序列模型）\n|   +---ch27-----------------------------------------第27章习题解答代码\n|   |   +---bi-lstm-text-classification.py-------------习题27.1（基于双向LSTM的预训练语言模型）\n|   |   +---auto_encoder.py----------------------------习题27.3（2层卷积神经网络编码器和2层卷积神经网络解码器组成的自动编码器）\n|   +---ch28-----------------------------------------第28章习题解答代码\n|   |   +---zero_sum_game.py---------------------------习题28.2（零和博弈的代码验证）\ndocs-----------------------------------------------习题解答\nnotebook-------------------------------------------习题解答JupyterNotebook格式\nrequirements.txt-----------------------------------运行环境依赖包\n\u003C\u002Fpre>\n\n## 贡献者名单\n\n**核心贡献者**\n- [胡锐锋-项目负责人](https:\u002F\u002Fgithub.com\u002FRelph1119) （Datawhale成员-华东交通大学-系统架构设计师）\n- [王维嘉](https:\u002F\u002Fgithub.com\u002Fking-vega) （中国石油大学（北京））\n- [王茸茸](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fnaruto-80-25) （北京邮电大学-风控算法工程师）\n- [王瀚翀](https:\u002F\u002Fgithub.com\u002Fericwang970322) （华东师范大学-推荐系统方向）\n- [毛鹏志](https:\u002F\u002Fgithub.com\u002FNorthblueM) （Datawhale成员-中科院计算所-信息检索与生物信息方向）\n- [刘晓东](https:\u002F\u002Fblog.csdn.net\u002Fweixin_44212633) （中科院自动化研究所-意图识别与人机交互方向）\n- [李拥祺](https:\u002F\u002Fgithub.com\u002FL3Y1Q2) （南方科技大学-运动规划与控制决策方向）\n- [王天富](http:\u002F\u002Fgeminilight.cn\u002F) （中国科学技术大学-数据挖掘与强化学习方向）\n- [薛博阳](https:\u002F\u002Famourwaltz.github.io) （香港中文大学-语言模型与语音识别方向）\n- [胡磊](https:\u002F\u002Fgithub.com\u002FDBinary) （北京科技大学-表征学习与生物信息方向）\n- [范致远](https:\u002F\u002Fgithub.com\u002FElvisambition) （Datawhale成员-中科院自动化研究所-信息抽取与大模型可信推理方向）\n- [王昊文](https:\u002F\u002Fgithub.com\u002Fwhw199833) （帝国理工学院-算法工程师）\n\n**其他**\n1. 特别感谢 [@Sm1les](https:\u002F\u002Fgithub.com\u002FSm1les)、[@LSGOMYP](https:\u002F\u002Fgithub.com\u002FLSGOMYP) 对本项目的帮助与支持；\n2. 感谢[@GYHHAHA](https:\u002F\u002Fgithub.com\u002FGYHHAHA)，指出了第7章习题7.4的解答问题，并完善了该题的解答；\n3. 感谢范佳慧、汪健麟、张宇明、兰坤、李拙等同学对项目提供的完善性建议；\n4. 感谢张帆同学对习题27.1解答的帮助，解决了ELMo预训练模型的代码问题。\n\n## 参与贡献\n\n- 如果你发现了一些问题，可以提Issue进行反馈，如果提完没有人回复你可以联系[保姆团队](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002FDOPMC\u002Fblob\u002Fmain\u002FOP.md)的同学进行反馈跟进~\n- 如果你想参与贡献本项目，可以提Pull Request，如果提完没有人回复你可以联系[保姆团队](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002FDOPMC\u002Fblob\u002Fmain\u002FOP.md)的同学进行反馈跟进~\n- 如果你对 Datawhale 很感兴趣并想要发起一个新的项目，请按照[Datawhale开源项目指南](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002FDOPMC\u002Fblob\u002Fmain\u002FGUIDE.md)进行操作即可~\n\n## 参考文献\n1. [李航《统计学习方法笔记》中的代码、notebook、参考文献、Errata](https:\u002F\u002Fgithub.com\u002FSmirkCao\u002FLihang)  \n2. [CART剪枝详解](https:\u002F\u002Fblog.csdn.net\u002Fwjc1182511338\u002Farticle\u002Fdetails\u002F76793164)\n3. [CART剪枝算法详解](http:\u002F\u002Fwww.pianshen.com\u002Farticle\u002F1752163397\u002F)\n\n## 关注我们\n\n\u003Cdiv align=center>\n\u003Cp>扫描下方二维码关注公众号：Datawhale\u003C\u002Fp>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_statistical-learning-method-solutions-manual_readme_303cd5dfe9c5.jpeg\" width = \"180\" height = \"180\">\n\u003C\u002Fdiv>\n\n## LICENSE\n\n\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">\u003Cimg alt=\"知识共享许可协议\" style=\"border-width:0\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-CC%20BY--NC--SA%204.0-lightgrey\" \u002F>\u003C\u002Fa>\u003Cbr \u002F>本作品采用\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议\u003C\u002Fa>进行许可。\n","\u003Ch1 align=\"center\"> 机器学习方法习题解答（⚠️ Alpha内测版） \u003C\u002Fh1>\n\n> [!CAUTION]\n> ⚠️ Alpha内测版本警告：此为早期内部构建版本，尚不完整且可能存在错误，欢迎大家提Issue反馈问题或建议。\n\n  李航老师的《统计学习方法》和《机器学习方法》是机器学习领域的经典入门教材之一。本书分为监督学习、无监督学习和深度学习，全面系统地介绍了机器学习的主要方法。\n\n- 第1篇主要介绍监督学习的主要方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等；\n- 第2篇主要介绍无监督学习的主要方法，包括聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔科夫链蒙特卡罗法、潜在狄利克雷分配和PageRank算法等；\n- 第3篇主要介绍深度学习的主要方法，包括前馈神经网络、卷积神经网络、循环神经网络、序列到序列模型、预训练语言模型和生成对抗网络等。 \n\n## 项目受众\n\n本项目的受众主要包括：\n1. **机器学习初学者**：正在学习李航老师《统计学习方法》或《机器学习方法》的同学，希望通过习题解答辅助理解。\n2. **算法工程师\u002F开发者**：希望深入理解机器学习算法原理，并寻找相关算法的 Python 实现代码（如感知机、决策树、SVM、Transformer 等）的开发者。\n3. **备战考研\u002F求职者**：需要系统复习机器学习基础理论和推导细节，巩固知识体系的同学。\n\n本项目能为你提供：\n- **全书习题详解**：涵盖监督学习、无监督学习、深度学习三大部分的课后习题详细解答。\n- **Python 代码实现**：提供相关算法的 Python 代码实现（基于 Python 3.10+，部分涉及 PyTorch），帮助你从理论走向实践。\n- **图文并茂的解析**：通过代码运行结果截图、决策树可视化等方式，直观展示算法运行过程。\n- **勘误与补充**：针对书中的难点或潜在错误提供补充说明和勘误。\n\n基础能力要求：\n- **Python 编程基础**：能够阅读和编写基本的 Python 代码，了解常用的数据科学库（如 NumPy, Pandas 等）。\n- **数学基础**：具备大学数学基础知识，主要包括：\n  - **高等数学**：微积分（偏导数、梯度）、拉格朗日乘数法、最优化方法等。\n  - **线性代数**：向量与矩阵运算、特征值与特征向量、奇异值分解 (SVD) 等。\n  - **概率论与数理统计**：条件概率、贝叶斯公式、常见概率分布、期望与方差、极大似然估计等。\n- **环境配置能力**：能够使用 pip 安装依赖包，配置基本的 Python 运行环境（如 Jupyter Notebook）。\n\n## 在线阅读\n在线阅读地址：https:\u002F\u002Fdatawhalechina.github.io\u002Fstatistical-learning-method-solutions-manual\n\n## 选用的《机器学习方法》版本\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_statistical-learning-method-solutions-manual_readme_b0a4bd22b907.png\" width=\"336\" height= \"500\">\n\n> 书名：机器学习方法  \n> 作者：李航  \n> 出版社：清华大学出版社  \n> 版次：2022年3月第1版  \n\n## Notebook运行环境配置\n1. 基础环境：Python3.12+、node 18.20.4+\n\n2. 安装UV\n    ```shell\n    pip install uv\n    set UV_INDEX=https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\n    ```\n\n3. 安装Python依赖包\n    ```shell\n    uv sync --python 3.12 --all-extras\n    ```\n\n4. 安装graphviz（用于展示决策树）  \n    可参考博客：https:\u002F\u002Fblog.csdn.net\u002FHNUCSEE_LJK\u002Farticle\u002Fdetails\u002F86772806\n\n5. 安装PyTorch\n访问[PyTorch官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F)，选择合适的版本安装PyTorch，有条件的小伙伴可以下载GPU版本\n    ```shell\n    uv pip install torch==2.7.1 torchvision==0.22.1 torchaudio torchviz --index https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n    ```\n\n6. 启动notebook\n    ```shell\n    jupyter notebook\n    ```\n\n7. 运行vitepress框架\n    ```shell\n    npm run docs:dev\n    ```\n\n## 协作规范\n1. 由于习题解答中需要有程序和执行结果，采用jupyter notebook的格式进行编写（文件路径：notebook\u002Fnotes），然后将其导出成markdown格式，再覆盖到docs对应的章节下。\n2. 可按照Notebook运行环境配置，配置相关的运行环境。\n3. 习题解答编写中，需要尽量使用初学者（有高数基础）能理解的数学概念，如果涉及公式定理的推导和证明，可附上参考链接。\n4. 当前进度：\n\n| 章节名 |  进度  | 负责人 | 审核人 |\n| :---: | :----: | :----: | :----: |\n|  第1章 统计学习方法概论         | ✅ | 胡锐锋、毛鹏志 | 王维嘉、毛鹏志、范佳慧 |\n|  第2章 感知机                 | ✅ | 胡锐锋 | 毛鹏志、范佳慧、王天富、王茸茸 |\n|  第3章 k近邻法                | ✅ | 胡锐锋 | 王维嘉、毛鹏志、王茸茸 |\n|  第4章 朴素贝叶斯法            | ✅ | 胡锐锋、王维嘉 | 王瀚翀、王天富、王茸茸 |\n|  第5章 决策树                 | ✅ | 胡锐锋、王维嘉 |  王瀚翀、王天富、王茸茸 |\n|  第6章 逻辑斯谛回归与最大熵模型 | ✅ | 胡锐锋 | 毛鹏志、范佳慧、王瀚翀 |\n|  第7章 支持向量机              | ✅ | 胡锐锋、王茸茸 | 王维嘉、王瀚翀、王天富 |\n|  第8章 提升方法               | ✅ | 胡锐锋、王茸茸 | 王维嘉、毛鹏志、王瀚翀 |\n|  第9章 EM算法及其推广          | ✅ | 胡锐锋 | 毛鹏志、范佳慧、王瀚翀、王茸茸 |\n|  第10章 隐马尔可夫模型          | ✅ | 胡锐锋、王瀚翀 | 王维嘉、范佳慧、王天富、王茸茸 |\n|  第11章 条件随机场             | ✅ | 胡锐锋、王瀚翀 | 王维嘉、范佳慧、王天富 |\n|  第14章 聚类方法               | ✅ | 胡锐锋、刘晓东 | 毛鹏志、汪健麟、王天富 |\n|  第15章 奇异值分解             | ✅ | 胡锐锋、李拥祺 | 张宇明、刘晓东、兰坤 |\n|  第16章 主成分分析             | ✅ | 胡锐锋、王茸茸 | 张宇明、刘晓东、范致远、兰坤 |\n|  第17章 潜在语义分析            | ✅ | 胡锐锋 | 汪健麟、王天富、兰坤 |\n| 第18章 概率潜在语义分析        | ✅ | 胡锐锋 | 毛鹏志、兰坤、汪健麟、张宇明 |\n| 第19章 马尔可夫链蒙特卡罗法     |  ✅ | 胡锐锋、王天富 | 毛鹏志、刘晓东、范致远、汪健麟 |\n| 第20章 潜在狄利克雷分配        | ✅ | 胡锐锋、薛博阳 | 毛鹏志、刘晓东、范致远、王天富 |\n| 第21章 PageRank算法         | ✅ | 胡锐锋、毛鹏志 | 张宇明、范致远、王天富 |\n| 第23章 前馈神经网络           | ✅ | 胡锐锋、毛鹏志 | 王天富、李拥祺、王昊文、胡磊 |\n| 第24章 卷积神经网络           | ✅ | 胡锐锋、王天富 | 王昊文、李拥祺、胡磊、李拙 |\n| 第25章 循环神经网络           | ✅ | 胡锐锋、王昊文 | 毛鹏志、李拥祺、王天富、李拙 |\n| 第26章 序列到序列模型         | 🚧 | 胡锐锋、薛博阳 | 毛鹏志、王昊文、胡磊、李拙 |\n| 第27章 预训练语言模型         | ✅ | 胡锐锋、范致远 | 毛鹏志、胡磊、王天富、李拙 |\n| 第28章 生成对抗网络           | ✅ | 胡锐锋、胡磊 | 毛鹏志、王昊文、王天富、李拥祺 |\n\n## 项目结构\n\u003Cpre>\ncodes----------------------------------------------习题代码\n|   +---ch02-----------------------------------------第2章习题解答代码\n|   |   +---perceptron.py------------------------------习题2.2（构建从训练数据求解感知机模型的例子）\n|   +---ch03-----------------------------------------第3章习题解答代码\n|   |   +---k_neighbors_classifier.py------------------习题3.1（k近邻算法关于k值的模型比较）\n|   |   +---kd_tree_demo.py----------------------------习题3.2（kd树的构建与求最近邻点）\n|   |   +---my_kd_tree.py------------------------------习题3.3（用kd树的k邻近搜索算法）\n|   +---ch05-----------------------------------------第5章习题解答代码\n|   |   +---k_neighbors_classifier.py------------------习题5.1（调用sklearn的DecisionTreeClassifier类使用C4.5算法生成决策树）\n|   |   +---my_decision_tree.py------------------------习题5.1（自编程实现C4.5生成算法）\n|   |   +---my_least_squares_regression_tree.py--------习题5.2（最小二乘回归树生成算法）\n|   +---ch06-----------------------------------------第6章习题解答代码\n|   |   +---my_logistic_regression.py------------------习题6.2（实现Logistic回归模型学习的梯度下降法）\n|   |   +---maxent_dfp.py------------------------------习题6.3（最大熵模型学习的DFP算法）\n|   +---ch07-----------------------------------------第7章习题解答代码\n|   |   +---svm_demo.py--------------------------------习题7.2（根据题目中的数据训练SVM模型，并在图中画出分离超平面、间隔边界及支持向量）\n|   +---ch08-----------------------------------------第8章习题解答代码\n|   |   +---adaboost_demo.py---------------------------习题8.1（使用sklearn的AdaBoostClassifier分类器实现）\n|   |   +---my_adaboost.py-----------------------------习题8.1（自编程实现AdaBoost算法）\n|   +---ch09-----------------------------------------第9章习题解答代码\n|   |   +---three_coin_EM.py---------------------------习题9.1（三硬币模型的EM算法）\n|   |   +---gmm_demo.py--------------------------------习题9.3（使用GaussianMixture求解两个分量高斯混合模型的6个参数）\n|   |   +---my_gmm.py----------------------------------习题9.3（自编程实现求两个分量的高斯混合模型的5个参数）\n|   +---ch10-----------------------------------------第10章习题解答代码\n|   |   +---hidden_markov_backward.py------------------习题10.1（隐马尔可夫模型的后向算法）\n|   |   +---hidden_markov_forward_backward.py----------习题10.2（隐马尔可夫模型的前向后向算法）\n|   |   +---hidden_markov_viterbi.py-------------------习题10.3（隐马尔可夫模型的维特比算法）\n|   +---ch11-----------------------------------------第11章习题解答代码\n|   |   +---crf_matrix.py------------------------------习题11.4（使用条件随机场矩阵形式，计算所有路径状态序列的概率及概率最大的状态序列）\n|   +---ch14-----------------------------------------第14章习题解答代码\n|   |   +---divisive_clustering.py---------------------习题14.1（分裂聚类算法）\n|   +---ch15-----------------------------------------第15章习题解答代码\n|   |   +---my_svd.py----------------------------------习题15.1（自编程实现奇异值分解）\n|   |   +---outer_product_expansion.py-----------------习题15.2（外积展开式）\n|   +---ch16-----------------------------------------第16章习题解答代码\n|   |   +---pca_svd.py---------------------------------习题16.1（样本矩阵的奇异值分解的主成分分析算法）\n|   +---ch17-----------------------------------------第17章习题解答代码\n|   |   +---lsa_svd.py---------------------------------习题17.1（用矩阵奇异值分解进行潜在语义分析）\n|   |   +---divergence_nmf_lsa.py----------------------习题17.2（损失函数是散度损失时的非负矩阵分解算法）\n|   +---ch18-----------------------------------------第18章习题解答代码\n|   |   +---em_plsa.py---------------------------------习题18.1（基于生成模型的EM算法的概率潜在语义分析）\n|   +---ch19-----------------------------------------第19章习题解答代码\n|   |   +---monte_carlo_method.py----------------------习题19.1（蒙特卡洛法积分计算）\n|   |   +---metropolis_hastings.py---------------------习题19.7（使用Metropolis-Hastings算法求后验概率分布的均值和方差）\n|   |   +---gibbs_sampling.py--------------------------习题19.8（使用吉布斯抽样算法估计参数的均值和方差）\n|   +---ch20-----------------------------------------第20章习题解答代码\n|   |   +---gibbs_sampling_lda.py----------------------习题20.2（LDA吉布斯抽样算法）\n|   +---ch21-----------------------------------------第21章习题解答代码\n|   |   +---page_rank.py-------------------------------习题21.2（基本定义的PageRank的迭代算法）\n|   +---ch23-----------------------------------------第23章习题解答代码\n|   |   +---feedforward_nn_backpropagation.py----------习题23.3（自编程实现前馈神经网络的反向传播算法）\n|   +---ch24-----------------------------------------第24章习题解答代码\n|   |   +---cnn-text-classification.py-----------------习题24.7（基于CNN的自然语言句子分类模型）\n|   +---ch26-----------------------------------------第26章习题解答代码\n|   |   +---lstm_seq2seq.py----------------------------习题26.1（4层LSTM组成的序列到序列的基本模型）\n|   |   +---cnn_seq2seq.py-----------------------------习题26.4（基于CNN的序列到序列模型）\n|   +---ch27-----------------------------------------第27章习题解答代码\n|   |   +---bi-lstm-text-classification.py-------------习题27.1（基于双向LSTM的预训练语言模型）\n|   |   +---auto_encoder.py----------------------------习题27.3（2层卷积神经网络编码器和2层卷积神经网络解码器组成的自动编码器）\n|   +---ch28-----------------------------------------第28章习题解答代码\n|   |   +---zero_sum_game.py---------------------------习题28.2（零和博弈的代码验证）\ndocs-----------------------------------------------习题解答\nnotebook-------------------------------------------习题解答JupyterNotebook格式\nrequirements.txt-----------------------------------运行环境依赖包\n\u003C\u002Fpre>\n\n## 贡献者名单\n\n**核心贡献者**\n- [胡锐锋-项目负责人](https:\u002F\u002Fgithub.com\u002FRelph1119) （Datawhale成员-华东交通大学-系统架构设计师）\n- [王维嘉](https:\u002F\u002Fgithub.com\u002Fking-vega) （中国石油大学（北京））\n- [王茸茸](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fnaruto-80-25) （北京邮电大学-风控算法工程师）\n- [王瀚翀](https:\u002F\u002Fgithub.com\u002Fericwang970322) （华东师范大学-推荐系统方向）\n- [毛鹏志](https:\u002F\u002Fgithub.com\u002FNorthblueM) （Datawhale成员-中科院计算所-信息检索与生物信息方向）\n- [刘晓东](https:\u002F\u002Fblog.csdn.net\u002Fweixin_44212633) （中科院自动化研究所-意图识别与人机交互方向）\n- [李拥祺](https:\u002F\u002Fgithub.com\u002FL3Y1Q2) （南方科技大学-运动规划与控制决策方向）\n- [王天富](http:\u002F\u002Fgeminilight.cn\u002F) （中国科学技术大学-数据挖掘与强化学习方向）\n- [薛博阳](https:\u002F\u002Famourwaltz.github.io) （香港中文大学-语言模型与语音识别方向）\n- [胡磊](https:\u002F\u002Fgithub.com\u002FDBinary) （北京科技大学-表征学习与生物信息方向）\n- [范致远](https:\u002F\u002Fgithub.com\u002FElvisambition) （Datawhale成员-中科院自动化研究所-信息抽取与大模型可信推理方向）\n- [王昊文](https:\u002F\u002Fgithub.com\u002Fwhw199833) （帝国理工学院-算法工程师）\n\n**其他**\n1. 特别感谢 [@Sm1les](https:\u002F\u002Fgithub.com\u002FSm1les)、[@LSGOMYP](https:\u002F\u002Fgithub.com\u002FLSGOMYP) 对本项目的帮助与支持；\n2. 感谢[@GYHHAHA](https:\u002F\u002Fgithub.com\u002FGYHHAHA)，指出了第7章习题7.4的解答问题，并完善了该题的解答；\n3. 感谢范佳慧、汪健麟、张宇明、兰坤、李拙等同学对项目提供的完善性建议；\n4. 感谢张帆同学对习题27.1解答的帮助，解决了ELMo预训练模型的代码问题。\n\n## 参与贡献\n\n- 如果你发现了一些问题，可以提Issue进行反馈，如果提完没有人回复你可以联系[保姆团队](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002FDOPMC\u002Fblob\u002Fmain\u002FOP.md)的同学进行反馈跟进~\n- 如果你想参与贡献本项目，可以提Pull Request，如果提完没有人回复你可以联系[保姆团队](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002FDOPMC\u002Fblob\u002Fmain\u002FOP.md)的同学进行反馈跟进~\n- 如果你对 Datawhale 很感兴趣并想要发起一个新的项目，请按照[Datawhale开源项目指南](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002FDOPMC\u002Fblob\u002Fmain\u002FGUIDE.md)进行操作即可~\n\n## 参考文献\n1. [李航《统计学习方法笔记》中的代码、notebook、参考文献、Errata](https:\u002F\u002Fgithub.com\u002FSmirkCao\u002FLihang)  \n2. [CART剪枝详解](https:\u002F\u002Fblog.csdn.net\u002Fwjc1182511338\u002Farticle\u002Fdetails\u002F76793164)\n3. [CART剪枝算法详解](http:\u002F\u002Fwww.pianshen.com\u002Farticle\u002F1752163397\u002F)\n\n## 关注我们\n\n\u003Cdiv align=center>\n\u003Cp>扫描下方二维码关注公众号：Datawhale\u003C\u002Fp>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_statistical-learning-method-solutions-manual_readme_303cd5dfe9c5.jpeg\" width = \"180\" height = \"180\">\n\u003C\u002Fdiv>\n\n## LICENSE\n\n\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">\u003Cimg alt=\"知识共享许可协议\" style=\"border-width:0\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-CC%20BY--NC--SA%204.0-lightgrey\" \u002F>\u003C\u002Fa>\u003Cbr \u002F>本作品采用\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议\u003C\u002Fa>进行许可。","# statistical-learning-method-solutions-manual 快速上手指南\n\n本项目是李航老师《统计学习方法》与《机器学习方法》的习题解答手册，包含详细的数学推导、Python 代码实现（基于 NumPy\u002FPyTorch）及可视化结果。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux\n*   **Python 版本**：Python 3.12+\n*   **Node.js 版本**：Node 18.20.4+（用于运行文档网站）\n*   **基础依赖**：\n    *   数据科学库：NumPy, Pandas, Matplotlib, Scikit-learn\n    *   深度学习框架：PyTorch (可选，涉及深度学习章节需安装)\n    *   可视化工具：Graphviz（用于决策树等算法的可视化）\n*   **知识储备**：具备高等数学、线性代数、概率论基础，熟悉 Python 编程及 Jupyter Notebook 使用。\n\n## 安装步骤\n\n本项目推荐使用 `uv` 进行依赖管理，以获得更快的安装速度和更好的环境隔离。\n\n### 1. 安装 UV 包管理器\n```shell\npip install uv\n# 配置阿里云镜像源加速下载\nset UV_INDEX=https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\n```\n*(注：Linux\u002FMac 用户请使用 `export UV_INDEX=...`)*\n\n### 2. 克隆项目并安装依赖\n进入项目目录后，执行以下命令同步所有依赖（包括可选依赖）：\n```shell\nuv sync --python 3.12 --all-extras\n```\n\n### 3. 安装 Graphviz (可选但推荐)\n若需运行决策树等可视化代码，需单独安装 Graphviz 系统工具及 Python 接口。\n*   **Windows**: 下载 installer 安装并将 `bin` 目录加入环境变量。\n*   **Linux**: `sudo apt-get install graphviz`\n*   **macOS**: `brew install graphviz`\n\n### 4. 安装 PyTorch (深度学习章节必需)\n根据是否有 GPU 选择安装方式。以下为 CUDA 11.8 版本的安装命令（国内用户若下载慢可尝试清华源或官方源）：\n```shell\nuv pip install torch==2.7.1 torchvision==0.22.1 torchaudio torchviz --index https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n```\n*若无 GPU，请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 获取 CPU 版本安装命令。*\n\n## 基本使用\n\n本项目主要提供两种使用方式：在线阅读文档和本地运行代码实验。\n\n### 方式一：在线阅读（推荐初学者）\n直接访问在线文档，查看习题详解、公式推导及代码运行截图：\n> 地址：https:\u002F\u002Fdatawhalechina.github.io\u002Fstatistical-learning-method-solutions-manual\n\n### 方式二：本地运行代码实验\n适合希望动手复现算法的开发者。\n\n1.  **启动 Jupyter Notebook**\n    在项目根目录下运行：\n    ```shell\n    jupyter notebook\n    ```\n    浏览器将自动打开，导航至 `notebook\u002Fnotes` 目录，选择对应章节的 `.ipynb` 文件（如 `ch02` 对应感知机）即可交互式运行代码。\n\n2.  **直接运行 Python 脚本**\n    部分纯算法实现位于 `codes` 目录。例如，运行第 2 章感知机示例：\n    ```shell\n    python codes\u002Fch02\u002Fperceptron.py\n    ```\n\n3.  **本地预览文档（贡献者模式）**\n    如果你修改了文档内容并希望本地预览效果：\n    ```shell\n    npm run docs:dev\n    ```","计算机专业研究生小林正在备战大厂算法岗面试，需要系统复习李航老师的《机器学习方法》，并深入理解支持向量机（SVM）与条件随机场等复杂模型的数学推导及代码实现。\n\n### 没有 statistical-learning-method-solutions-manual 时\n- **推导卡壳无处求证**：在面对拉格朗日对偶性或维特比算法等复杂公式推导时，仅靠教材简略的步骤难以自行补全逻辑，查阅网络资料又常发现版本混乱、错误频出。\n- **理论落地困难**：虽然看懂了数学原理，但缺乏标准的 Python 参考代码，自己从零编写感知机或决策树时容易陷入调试陷阱，无法验证思路是否正确。\n- **复习效率低下**：为了确认一个习题答案或寻找可视化案例，需要在多个论坛和博客间反复跳转搜索，耗费大量时间却仍得不到权威解答。\n- **难点盲区难消除**：书中部分印刷错误或晦涩表述无人指正，导致对 EM 算法收敛性等关键概念产生误解，形成知识盲区。\n\n### 使用 statistical-learning-method-solutions-manual 后\n- **推导过程清晰透明**：直接查看项目中详尽的习题解答，每一步数学变换都有清晰说明，甚至附带补充勘误，迅速打通了从公式到结论的逻辑堵点。\n- **代码实战即学即用**：复用项目中基于 Python 3.12 和 PyTorch 实现的 SVM 及 CRF 代码，结合 Jupyter Notebook 中的运行结果截图，快速完成了从理论到工程实践的闭环。\n- **学习路径高效聚焦**：通过在线阅读地址按章节索引，直接获取图文并茂的解析（如决策树可视化），将原本数天的搜索资料时间压缩至几小时。\n- **知识体系严谨完整**：借助社区协作的审核机制和难点补充说明，纠正了以往对隐马尔可夫模型概率计算的错误认知，构建了扎实的理论基础。\n\nstatistical-learning-method-solutions-manual 将枯燥的数学推导转化为可执行的代码与清晰的图解，成为连接机器学习经典理论与现代工程实践的高效桥梁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_statistical-learning-method-solutions-manual_da2b1940.png","datawhalechina","Datawhale","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdatawhalechina_f57a6118.png","for the learner，和学习者一起成长",null,"https:\u002F\u002Fdatawhale.cn","https:\u002F\u002Fgithub.com\u002Fdatawhalechina",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",90.2,{"name":88,"color":89,"percentage":90},"Python","#3572A5",9.8,2040,253,"2026-04-03T17:29:04","NOASSERTION","未说明","非必需。若需运行深度学习章节（如 PyTorch 部分），建议安装支持 CUDA 11.8 的 NVIDIA GPU，具体显存大小未说明。",{"notes":98,"python":99,"dependencies":100},"1. 推荐使用 uv 工具管理依赖和同步环境（命令：uv sync --python 3.12 --all-extras）。2. 需单独安装 Graphviz 系统库以支持决策树可视化。3. 项目包含监督学习、无监督学习和深度学习三部分，其中深度学习部分依赖 PyTorch，可根据需求选择 CPU 或 GPU 版本。4. 文档站点运行需要 Node.js 环境并执行 npm 命令。5. 此为 Alpha 内测版，可能存在错误。","3.12+",[101,102,103,104,105,106,107,108,109],"uv","torch==2.7.1","torchvision==0.22.1","torchaudio","torchviz","graphviz","jupyter notebook","vitepress","node>=18.20.4",[13],[112,113],"machine-learning","statistical-learning-method","2026-03-27T02:49:30.150509","2026-04-06T05:37:51.755736",[117,122,127,132,137,142,147,152],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},14225,"在线阅读地址无法打开或一直显示 Loading 状态怎么办？","该问题通常已得到解决，请刷新页面重试。如果之前遇到公式无法显示的问题（特别是在 Chrome 或 Edge 浏览器上），维护者已修复了 LaTeX 公式的渲染问题，现在应能正常展示。如果仍然无法访问，请检查网络连接或尝试更换浏览器。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fstatistical-learning-method-solutions-manual\u002Fissues\u002F22",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},14226,"在 Mac 设备（Safari\u002FChrome）上浏览时，数学公式无法正常显示如何解决？","这是一个已知问题，维护者已经修复了公式渲染引擎。目前公式应能在 Safari 和 Chrome 浏览器中正常显示。如果您仍看到乱码或未渲染的 LaTeX 代码，请尝试清除浏览器缓存并强制刷新页面（Cmd+Shift+R）。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fstatistical-learning-method-solutions-manual\u002Fissues\u002F23",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},14227,"发现书中习题解答的数学公式推导或符号有误，应该如何反馈？","欢迎通过 GitHub Issues 反馈具体的错误位置和修正建议。例如，贝叶斯估计步骤中的符号错误（如将 theta 误写为 D）或对数似然函数推导中的项遗漏，维护者在确认后会立即更新文档。反馈时请指明具体的章节、习题编号及错误的公式内容。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fstatistical-learning-method-solutions-manual\u002Fissues\u002F52",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},14228,"代码实现中发现逻辑错误（如索引使用错误或变量混淆）如何处理？","对于代码逻辑错误（如 HMM 算法中使用了错误的 alpha 值，或决策树切分点比较对象错误），请提供具体的代码行号、错误现象及正确的逻辑推导。维护者通常会重新缓存计算中间变量（如 alphas 和 betas）或修正比较逻辑（如将索引 s 改为实际数据 x[s, j]）来修复此类问题。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fstatistical-learning-method-solutions-manual\u002Fissues\u002F1",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},14229,"K-D 树搜索算法中，当子节点为空时的回溯逻辑是否正确？","原始代码在搜索到无左或右子树时直接回退可能存在漏洞，因为无叶节点的分支区域可能包含离根节点更近的点。修复后的逻辑需要在递归搜索另一子节点区域前，先检查超球体是否与分割超平面相交。如果相交，即使当前分支为空或已搜索完毕，也需递归进入另一侧区域进行近邻搜索，以确保找到真正的 K 近邻。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fstatistical-learning-method-solutions-manual\u002Fissues\u002F54",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},14230,"项目某些章节的答案缺失，后续会补充吗？","是的，项目正在持续完善中。例如第 19 章的答案此前缺失，但维护者已确认编写完毕并上传。对于其他缺失内容，维护者表示会继续完善该项目，建议关注仓库的更新动态。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fstatistical-learning-method-solutions-manual\u002Fissues\u002F17",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},14231,"提交 Issue 时上传附件（如截图或 PDF）无法被查看怎么办？","部分情况下维护者可能无法直接查看某些格式的附件或截图。建议在 Issue 正文中直接用文字描述错误详情，或者将关键报错信息、代码片段以文本形式粘贴在评论中，以便维护者快速定位和修复问题。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fstatistical-learning-method-solutions-manual\u002Fissues\u002F29",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},14232,"最小二乘回归树实现中，判断是否继续构建树的条件有误怎么办？","在 fit 函数中，判断大于切分点的右边部分是否需要继续构建树时，代码中若使用索引 s 进行比较是错误的。正确的做法是将比较对象从索引 s 修改为实际的数据值 x[s, j]，以确保切分逻辑正确执行。该问题已在最新代码中修复。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fstatistical-learning-method-solutions-manual\u002Fissues\u002F64",[]]