WZU-machine-learning-course
WZU-machine-learning-course 是温州大学黄海广老师主讲的《机器学习》课程开源资料库，旨在为学习者提供一套完整、系统的入门学习资源。这套资料有效解决了初学者在寻找高质量中文教材、配套代码及教学视频时面临的资源分散难题，帮助用户从零开始构建机器知识体系。
内容涵盖课程 PPT 课件、基于 Jupyter Notebook 的实践代码、带字幕的教学视频以及配套的《深度学习》课程资料。所有资源均与已出版教材《机器学习入门基础（微课版）》紧密对应，该教材已被百余所高校采纳，确保了内容的权威性与教学适用性。此外，项目还提供了清晰的知识目录结构，方便用户按需查阅。
这套资源特别适合高校教师、计算机专业学生、AI 开发者以及希望系统掌握机器学习基础的普通爱好者使用。对于教师群体，它还支持通过官方渠道索取教学大纲与习题等深度教学素材。其独特亮点在于“理论 + 代码 + 视频”的三位一体教学模式，且视频资源已在 B 站等平台公开并配备字幕，打破了慕课平台的学期限制，让优质教育资源能够更自由、持久地服务于大众。
使用场景
某高校计算机系青年教师正准备开设本科生《机器学习》新课，急需构建一套体系完整、代码可运行的教学方案。
没有 WZU-machine-learning-course 时
- 备课资源零散：需从全网各处拼凑理论课件与代码示例，导致知识点衔接生硬，缺乏统一的教学逻辑主线。
- 代码复现困难：找到的开源代码往往缺少详细注释或环境配置说明，课堂演示时极易报错，严重拖慢教学进度。
- 教材配套缺失：难以找到与国内出版教材完全同步的习题解析和教学大纲，无法有效评估学生的学习效果。
- 视频资料受限：优质网课常有学期访问限制或缺乏字幕，不便教师课前预习或截取片段用于混合式教学。
使用 WZU-machine-learning-course 后
- 体系一键获取：直接采用黄海广老师整理的完整 PDF 课件与 Jupyter Notebook 代码库，课程内容紧扣《机器学习入门基础》教材，逻辑严密且循序渐进。
- 代码即插即用：课程代码经过教学验证，注释清晰且环境依赖明确，教师可直接在课堂实时运行演示，大幅提升授课流畅度。
- 教学资源完备：通过邮件申请即可获取官方教学大纲、进度表及习题库，轻松完成符合本科培养方案的课程设计。
- 视频灵活调用：利用 B 站带字幕的公开视频资源，打破学期限制，方便随时截取微课片段辅助讲解复杂算法原理。
WZU-machine-learning-course 将原本耗时数月的备课工作缩短至数天，为高校教师提供了一套“课件 + 代码 + 视频 + 大纲”四位一体的标准化教学解决方案。
运行环境要求
未说明
未说明
快速开始
机器学习系列课程-温州大学
黄海广老师主讲的机器学习课程已更新完毕。
该课程已上线中国大学MOOC平台，于2021年9月6日开课，通常每年按正常学期开设两次。
课程教材《机器学习入门基础（微课版）》（作者：黄海广、徐震、张笑钦，ISBN 9787302619581）现已出版，目前已被100余所学校指定为本科生教材。
课程地址：https://www.icourse163.org/course/WZU-1464096179
由于慕课有学期限制，相同的视频已在B站和视频号上发布，并添加了中文字幕，方便老师们参考：
B站：https://www.bilibili.com/video/BV1gP4y177cf
视频号：“黄海广老师”
如有老师需要PPT原版文件，下载链接如下：
https://pan.baidu.com/s/1r7bgOa_4YYqdYax5aevRsA?pwd=pcmf
解压密码：haiguang2000
若为高校教师，可发送邮件至黄海广老师处索取课程教学大纲、教学进度、习题等资料。
（haiguang2000@wzu.edu.cn，请使用edu邮箱发送，并注明姓名及所在学校。此资料仅用于教学目的，严禁用于商业用途。）
黄海广
目录说明
ppt：课程的PDF课件
code：课程的代码（Jupyter Notebook格式）
video：课程的视频
DeepLearning：《深度学习》课程的PPT（PDF版本）
内容首发于微信公众号：机器学习初学者
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。
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。
scikit-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。 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。 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
keras
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。 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。 Keras 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。