machine_learning_beginner
machine_learning_beginner 是由“机器学习初学者”公众号精心整理的开源学习资源库，旨在为 AI 新手提供一条清晰、系统的入门路径。面对海量且杂乱的学习资料，许多初学者往往感到无从下手，machine_learning_beginner 通过精选原创文章与实战代码，有效解决了“资料太多、不知如何取舍”的痛点。
该资源库内容涵盖数学基础、Python 编程（包括 Numpy、Pandas、Matplotlib）、机器学习经典算法（Sklearn 案例）以及深度学习框架（PyTorch、TensorFlow、Keras）的核心教程。其中不仅包含了《Python 深度学习》等经典书籍的代码复现，还整合了吴恩达机器学习课程笔记等高质量外部资源，形成了从理论到实践的完整闭环。
machine_learning_beginner 特别适合本科及硕士学生、刚接触机器学习的博士生，以及希望利用碎片时间系统自学 AI 的开发者。其独特的亮点在于将复杂的学术内容转化为通俗易懂的中文教程，并提供了可直接运行的代码示例，帮助用户在理解原理的同时快速上手实战。无论你是想打好数学根基，还是渴望掌握主流深度学习框架，这里都能为你提供坚实的支持，助你顺利跨越入门门槛，建立独立解决问题的能力。
使用场景
计算机专业大三学生李明计划自学机器学习以完成毕业设计，面对海量且零散的网络教程感到无从下手。
没有 machine_learning_beginner 时
- 资源筛选困难：网上资料良莠不齐，花费数周时间寻找教程，却陷入“收藏从未停止，学习从未开始”的困境，无法判断哪些内容适合初学者。
- 知识体系断裂：数学基础、Python 编程与算法理论分散在不同平台，缺乏系统性的学习路线，导致知识点碎片化，难以构建完整的逻辑框架。
- 代码复现受阻：找到理论文章后，往往缺少对应的可运行代码或中文注释，在配置环境和调试报错上消耗了大量精力，严重打击学习信心。
- 进阶路径迷茫：入门后不知道下一步该学深度学习还是特征工程，缺乏权威的课程笔记（如吴恩达课程）指引，容易在初级阶段原地打转。
使用 machine_learning_beginner 后
- 精选内容直达：直接获取公众号整理好的 2019 精选文章及 AI 基础目录，省去了筛选成本，第一天即可按照既定路线开始高效学习。
- 系统化学习闭环：依托仓库中从"两天入门 Python"到"Sklearn 经典案例”的完整链条，循序渐进地打通了从数学基础到实战应用的知识脉络。
- 代码即学即用：利用仓库提供的 PyTorch 60 分钟入门中文版及《Python 深度学习》原书代码翻译，快速跑通 Demo，将理论瞬间转化为可视化的实验结果。
- 明确进阶方向：通过查阅吴恩达机器学习笔记及统计学习方法代码实现，清晰掌握了从入门到精通的后续路径，能够自信地规划毕业设计方案。
machine_learning_beginner 通过整合优质开源资源与系统化学习路线，将初学者从信息过载的焦虑中解放出来，实现了从“盲目搜索”到“精准实战”的高效转变。
运行环境要求
- 未说明
未说明
未说明
快速开始
机器学习初学者公众号
本仓库是“机器学习初学者”公众号发布的全部内容代码。
机器学习QQ群：659697409（我们共有9个群，已加入其中一个群的用户无需再重复添加）
本仓库的内容目录
2019年精选文章
AI基础
深度学习内容
- 1.PyTorch60分钟入门（中文翻译）（目录名：PyTorch_beginner）
- 2.Python深度学习原书代码中文翻译（目录名：deep-learning-with-python-notebooks）
- 3.强烈推荐的TensorFlow、Pytorch和Keras的样例资源（目录名：deep-learning-with-tensorflow-keras-pytorch）
Python基础
- 1.两天入门Python(目录名：python-start)
- 2.适合初学者快速入门的Numpy实战全集(目录名：numpy)
- 3.matplotlib学习之基本使用(目录名：matplotlib)
- 4.Sklearn入门经典案例(目录名：pyparis-2018-sklearn)
- 5.两天学会pandas(目录名：pandas)
本站的其他开源仓库
本人整理
大神之作
以下为是公众号创立以来的精选原创文章，适合初学者入门 AI。本文建议用微信收藏用碎片时间学习。（黄海广）
一、前言
AI 初学者最大的问题就是：
资料太多！看不完！！不知道如何取舍！！
我把 公众号创办以来的原创文章进行整理，这些文章非常适合本科、硕士以及刚接触机器学习的博士阅读。
学完这些文章后，你就能基本掌握机器学习的基础知识。
在掌握了基础知识之后，遇到问题时，你可以通过网络搜索轻松解决，并且也清楚接下来应该学习哪些内容。
本文建议您将这些文章收藏起来，利用碎片时间进行学习。
作者简介：
二、学习路线
这篇文章为初学者提供了入门的路线。内容涵盖了数学基础、Python入门、机器学习、深度学习、特征工程入门等知识点，并将代码整合到了 GitHub 仓库中：
https://github.com/fengdu78/Data-Science-Notes
这篇文章将机器学习的核心内容浓缩成了一本手册，打开微信即可学习。它特别适合时间有限的朋友们，可以在通勤途中或闲暇时通过手机学习。建议收藏这篇文章，慢慢学习。
三、基础知识
以上文章不仅涵盖了数学基础，还整合了后续五篇文章的内容，读者可以在线阅读，也可以根据需要单独阅读。
- 首发：吴恩达的 CS229 的数学基础（概率论），有人把它做成了在线翻译版本！
- 首发：吴恩达的 CS229 的数学基础（线性代数），有人把它做成了在线翻译版本！
- 在线阅读！！机器学习数学精华：高等数学
- 在线阅读！！机器学习数学精华：线性代数
- 在线阅读！！机器学习数学精华：概率论与数理统计
四、机器学习
原创作品共分为以下三个部分：
- 吴恩达机器学习课程笔记及资源（GitHub 标星 12000+，提供百度云镜像）
- 《统计学习方法》的 Python 代码实现（GitHub 标星 7200+）
- 推荐：《机器学习实战：基于 Scikit-Learn 和 TensorFlow》中文翻译和代码下载
后来又制作成了在线阅读版本：
机器学习相关
- 机器学习练习数据从哪里找？两行代码搞定！
- 学完可以解决 90%以上的数据分析问题——利用 Python 进行数据分析第二版（代码与中文笔记）
- 特征工程的宝典——《Feature Engineering for Machine Learning》翻译与代码实现
五、深度学习
吴恩达深度学习课程笔记与资源
TensorFlow 入门：
Keras 入门：
PyTorch 入门：
其他资料
- 首发：深度学习入门宝典——《Python 深度学习》原文代码中文注释版及电子书
- 强烈推荐的 TensorFlow、PyTorch 和 Keras 的样例资源（深度学习初学者必须收藏）
- Ubuntu 18.04 深度学习环境配置（CUDA9.0+CUDDN7.4+TensorFolw1.8）
六、Python 相关
- 学习 Python 入门的个人建议及资料
- Python 环境的安装（Anaconda+Jupyter notebook+Pycharm）
- Python 代码写得丑怎么办？推荐几个神器拯救你
- Numpy 练习题 100 题-提高你的数据分析技能
- Pandas 练习题-提高你的数据分析技能
- python 绘图工具基础-matplotlib 学习之基本使用
- 数据可视化的利器-Seaborn 简易入门
七、NLP
八、学术技巧
总结
本文总结了“机器学习初学者”公众号创立以来的精选原创文章，可以作为 AI 入门的宝典，让初学者少走弯路，强烈建议收藏本文！
本站2018年的所有文章
机器学习资源
- 良心推荐：机器学习入门资料汇总及学习建议（2018版）
- 黄海广博士的GitHub镜像下载（机器学习及深度学习资源）
- 吴恩达老师的机器学习和深度学习课程笔记打印版
- 吴恩达老师机器学习教程中文笔记-在线版
- Coursera机器学习课程代码作业-Python版本
- Deeplearning.ai深度学习课程笔记-在线版
- 首发：深度学习测试题中英对照版
- 机器学习必备宝典-《统计学习方法》的python代码实现、电子书及课件
- 斯坦福大学机器学习课程资料-吴恩达老师主讲（2008版）
- 机器学习训练秘籍完整中文版下载（吴恩达老师新作）
- 首发：深度学习入门宝典-《python深度学习》原文代码中文注释版及电子书
- 强烈推荐的TensorFlow、Pytorch和Keras的样例资源（深度学习初学者必须收藏）
- 机器学习小抄-（像背托福单词一样理解机器学习）
- 深度学习初学者的另一份小抄-《一天学懂深度学习（李宏毅）》（中文标注）
- 一些NLP的入门资料参考
- 革命性提升-宇宙最强的NLP预训练BERT模型（附官方代码）
- 50个最佳机器学习公共数据集
机器学习大师之作
开源案例和方案
- 首发：台大林轩田《机器学习基石》系列课程教材的习题解答和实现
- CTR预估系列：DeepCTR 一个基于深度学习的CTR模型包
- 开源-BDCI2018面向电信行业存量用户的智能套餐个性化匹配模型Top1解决方案和代码
- 开源-BDCI2018供应链需求预测模型第一名解决方案和代码
- 海洋大数据应用思考（附资料下载）
机器学习论文
硬件和环境配置
- Ubuntu 18.04 深度学习环境配置（CUDA9.0+CUDNN7.4+TensorFlow1.8）
- 深度学习主机环境配置：Win10+NVIDIA GTX1080i+CUDA8.0+CUDNN6
Python基础
- 学习 Python 入门的个人建议及资料
- 两天入门 Python 基础（附代码实现）
- 学完可以解决 90% 以上的数据分析问题——利用 Python 进行数据分析第二版（代码与中文笔记）
- Python 绘图工具基础——Matplotlib 学习之基本使用
- 适合初学者快速入门的 Numpy 实战全集
- Python 进阶之多进程
科研入门
- 机器学习的数学基础
- 吐血推荐收藏的学位论文排版教程（完整版）
- 科研工作者的神器——Zotero 论文管理工具
- 如何制作视频教程笔记
- 给初学者推荐一个摆脱变量命名纠结的神器
- SQL 语法如何入门？（附资料下载）
项目合作
过时文章
过时资料指的是新的文章已经涵盖了旧文章内容，不需要再看了。
杂谈
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。