99-ML-Learning-Projects

一个包含99个机器学习项目的列表，适合任何希望通过编码和项目实践来学习机器学习的人。

我们的工作理念是提供一个精选的代码仓库，供任何人贡献有趣、实用且对学习机器学习有帮助的练习及其解决方案——这些内容不仅对他们自己有益，也能帮助其他学习者。

入门指南

项目的格式大致如下：

1. 通过创建议题来提出一个练习，并说明你认为针对特定概念的有用编程练习是什么。

2. 如果有足够的兴趣参与该议题，希望由你或其他人按照实验课或作业题的风格，完善练习描述。

3. 然后有人会 fork 本仓库，编写解决方案，并进行适当的美化和文档化，最后提交 pull request。更多关于如何贡献解决方案的详细信息，请参阅 通用贡献指南。

4. 我们中的一些人会对代码进行仔细审查、提出建议，并最终将其合并到主项目仓库中。

5. 在任何时候，都可以为某个特定练习创建改进/增强的议题，从而重复上述第3至第4步。

6. 最后，无限循环地重复步骤1至5，直到完成99个项目。

请遵守 行为准则，以确保开放友好的开源协作环境。

目标：99个项目

当前：10个项目

目录

通用机器学习

• 线性回归 [初级]

• 泰坦尼克号生存预测 [初级]

• 从零开始实现kNN [初级]

• 使用Scikit-learn实现kNN [初级]

• Bagging和Boosting集成方法 [中级]

计算机视觉

• MNIST手写数字识别 [中级]

自然语言处理

• 情感分析 [中级]

• 基于LSTM的文本生成神经网络模型 [高级]

贝叶斯方法

• 朴素贝叶斯分类

其他混合模型

• 员工流失与绩效预测

复习资料/速查表

• Numpy
• Pandas

依赖项

我们使用的一些库及其版本：

• Python (>= 3.6)
• NumPy (>= 1.18.5)
• Pandas (>= 1.0.5)
• Matplotlib (>= 3.2.2)
• Seaborn (>= 0.10.1)
• Scikit-learn (>= 0.22.2)
• Tensorflow (>= 2.2.0)
• PyTorch (>= 1.5.1)

帮助与支持

如果你想与我们取得联系，可以在我们的Discord/Gitter聊天室打招呼：

• Discord: https://discord.gg/VVDg6P4
• Gitter: https://gitter.im/99-ML-Learning-Projects/community

最近的贡献者

致谢：

该项目灵感来源于Unnit Metaliya在Quora上的回答：https://qr.ae/pNK0FW

此外，我从中获得灵感的两个仓库分别是：

• https://github.com/truedl/c-for-beginners
• https://github.com/UnnitMetaliya/99-reactjs-project-ideas

许可证

本仓库采用 MIT许可证。

99-ML-Learning-Projects 快速上手指南

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux
• Python 版本：>= 3.6 (推荐使用 Python 3.8+)
• 包管理工具：pip 或 conda

核心依赖库及最低版本要求：

• NumPy >= 1.18.5
• Pandas >= 1.0.5
• Matplotlib >= 3.2.2
• Seaborn >= 0.10.1
• Scikit-learn >= 0.22.2
• Tensorflow >= 2.2.0 (如需深度学习项目)
• PyTorch >= 1.5.1 (如需深度学习项目)

💡 国内加速建议：安装依赖时建议使用清华源或阿里源以提升下载速度。

安装步骤

1. 克隆项目仓库

打开终端，执行以下命令将项目代码拉取到本地：

git clone https://github.com/gimseng/99-ML-Learning-Projects.git
cd 99-ML-Learning-Projects

2. 创建虚拟环境（推荐）

为避免依赖冲突，建议创建独立的虚拟环境：

python -m venv ml_env
# Windows 激活
ml_env\Scripts\activate
# macOS/Linux 激活
source ml_env/bin/activate

3. 安装依赖

使用国内镜像源安装所需库：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注：如果项目中没有 requirements.txt 文件，您可以手动安装核心库：

pip install numpy pandas matplotlib seaborn scikit-learn tensorflow torch -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

本项目包含多个独立的机器学习练习项目，按难度（初学者/中级/高级）和领域分类。

1. 选择项目

浏览项目目录，选择一个感兴趣的项目。例如，初学者可以从 泰坦尼克生存预测 开始：

• 路径：001/exercise
• 难度：Beginner
• 内容：经典的二分类问题

其他推荐入门项目：

• 002/exercise: 线性回归 (Linear Regression)
• 009/exercise: 使用 Sklearn 进行 kNN 分类
• 010/exercise: 从零实现 kNN 算法

2. 运行练习

进入具体项目文件夹，查看其中的 Jupyter Notebook (.ipynb) 或 Python 脚本。

以泰坦尼克项目为例：

cd 001/exercise
jupyter notebook Titanic_Survival_Prediction.ipynb

或者在 IDE（如 VS Code, PyCharm）中直接打开对应的 .ipynb 文件，按照注释指引逐步完成代码填空和模型构建。

3. 参与贡献（可选）

如果您完成了练习并希望分享解决方案，或想提出新的练习题目：

1. 在 GitHub Issues 中提出新练习构想。
2. Fork 本仓库。
3. 编写解决方案并完善文档。
4. 提交 Pull Request (PR) 等待审核合并。

更多贡献细节请参阅项目根目录下的 CONTRIBUTING.md。