[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-gimseng--99-ML-Learning-Projects":3,"tool-gimseng--99-ML-Learning-Projects":61},[4,18,26,36,44,52],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",145895,2,"2026-04-08T11:32:59",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":32,"env_os":92,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":104,"github_topics":105,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":140},5582,"gimseng\u002F99-ML-Learning-Projects","99-ML-Learning-Projects","A list of 99 machine learning projects for anyone interested to learn from coding and building projects","99-ML-Learning-Projects 是一个专为机器学习初学者和进阶者打造的开源实战项目库，旨在通过“动手编码”的方式帮助用户真正掌握机器学习核心概念。它解决了传统学习中理论脱离实践、缺乏系统化练习场景的痛点，提供了从基础线性回归、泰坦尼克生存预测，到计算机视觉中的手写数字识别、自然语言处理中的情感分析与文本生成等 99 个精选项目（目前持续更新中）。\n\n该项目适合希望提升编程与建模能力的开发者、学生及研究人员使用。无论是刚入门的新手，还是想巩固集成学习、贝叶斯分类或深度学习模型的中级用户，都能在这里找到匹配自身水平的练习题。其独特之处在于采用社区协作模式：用户可提议新题目、贡献解题方案并参与代码评审，形成良性互动的学习生态。每个项目均配有清晰的练习说明、参考实现及必要的文档，同时提供 NumPy、Pandas 等常用库的快速复习指南，降低上手门槛。\n\n依托 Python 生态主流工具链（如 Scikit-learn、TensorFlow、PyTorch），99-ML-Learning-Projects 强调实用性与可复现性，鼓励用户在真实数据场景中迭代优化模型。如果你希望通","99-ML-Learning-Projects 是一个专为机器学习初学者和进阶者打造的开源实战项目库，旨在通过“动手编码”的方式帮助用户真正掌握机器学习核心概念。它解决了传统学习中理论脱离实践、缺乏系统化练习场景的痛点，提供了从基础线性回归、泰坦尼克生存预测，到计算机视觉中的手写数字识别、自然语言处理中的情感分析与文本生成等 99 个精选项目（目前持续更新中）。\n\n该项目适合希望提升编程与建模能力的开发者、学生及研究人员使用。无论是刚入门的新手，还是想巩固集成学习、贝叶斯分类或深度学习模型的中级用户，都能在这里找到匹配自身水平的练习题。其独特之处在于采用社区协作模式：用户可提议新题目、贡献解题方案并参与代码评审，形成良性互动的学习生态。每个项目均配有清晰的练习说明、参考实现及必要的文档，同时提供 NumPy、Pandas 等常用库的快速复习指南，降低上手门槛。\n\n依托 Python 生态主流工具链（如 Scikit-learn、TensorFlow、PyTorch），99-ML-Learning-Projects 强调实用性与可复现性，鼓励用户在真实数据场景中迭代优化模型。如果你希望通过构建有趣且有意义的项目来系统提升机器学习能力，这里将是一个友好而专业的起点。","# 99-ML-Learning-Projects\nA list of 99 machine learning projects for anyone interested to learn machine learning from coding and building projects.\n\nOur working philosophy is to provide a curated repo for anyone to contribute a cool\u002Ffun exercise and solution that is useful for anyone (including themselves) in their journey of learning machine learning.\n\n\n## Getting Started\n\nThe format is roughly the following:\n\n1. Propose an exercise by creating an issue ticket and write what you think is an useful coding exercise for certain concepts. \n\n2. If enough people are interested in that issue ticket, hopefully either you or someone else will write the exercise statement properly similar to the style of a lab exercise\u002Fhomework question.\n\n3. Then someone will fork the repo, write up their solution, with a bit of polish and documentation, submit a pull request. Please see [general contribution guidelines](CONTRIBUTING.md) for more details on how to contribute solutions.\n\n4. Some of us will scrutinize the codes, review, make suggestions and eventually include (merge) them into the main project repo.\n\n5. At anytime, someone can repeat suggest improvements\u002Fchanges to 3-4 above for a particular exercise. This is done by creating an issue ticket for improvement\u002Fenhancement. One can then repeat 3-4.\n\n6. Finally, repeat 1-5 indefinitely till we hit 99\u002F99 projects.\n\nPlease abide by [code of conduct guidelines](CODE_OF_CONDUCT.md) to have an open and friendly open source collaboration.\n\n### Goal: 99 Projects  \n### Current: 10 Projects\n\n## Table of Contents\n#### General-Purpose Machine Learning\n\n- [Linear Regression [Beginner]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F002\u002Fexercise)\n\n- [Titanic Survival Prediction [Beginner]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F001\u002Fexercise) \n\n- [kNN from Scratch[Beginner]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F010\u002Fexercise)\n\n- [kNN from Sklearn [Beginner]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F009\u002Fexercise)\n\n- [Bagging and boosting ensemble methods [Intermediate]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F006\u002Fexercise)\n\n\n#### Computer Vision\n- [MNIST Handwriting Digit Recognition [Intermediate]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F003\u002Fexercise) \n\n\n#### Natural Language Processing\n\n- [Sentiment analysis [Intermediate]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F005\u002Fexercise) \n\n- [Text-generation neural network model (with LSTM) [Advanced]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F004\u002Fexercise) \n\n\u003C!---\n#### Data Analysis \u002F Data Visualization\n#### Reinforcement Learning\n-->\n\n#### Bayesian \n\n- [Naive Bayes Classification](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fblob\u002Fmaster\u002F008\u002Fexercise)\n\n#### Misc\u002FMix Models\n\n- [Employee Attrition & Performance](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F007) \n\n## Refreshers\u002FCheatsheets\n\n- [Numpy](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fblob\u002Fmaster\u002FResources\u002FNumpy\u002FNumPy%20Tutorial.ipynb)\n- [Pandas](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fblob\u002Fmaster\u002FResources\u002FPandas\u002FPandas%20Tutorial.ipynb)\n\n\n\n\n## Dependencies\n\nSome of the libraries (and their versions) we are using:\n- Python (>= 3.6)\n- NumPy (>= 1.18.5)\n- Pandas (>= 1.0.5)\n- Matplotlib (>= 3.2.2)\n- Seaborn (>= 0.10.1)\n- Scikit-learn (>= 0.22.2)\n- Tensorflow (>= 2.2.0)\n- PyTorch (>= 1.5.1)\n\n\n## Help and Support\n\nIf you want to get in touch with us, say hi on our discord\u002Fgitter chatroom:\n\n- Discord: https:\u002F\u002Fdiscord.gg\u002FVVDg6P4\n- Gitter: https:\u002F\u002Fgitter.im\u002F99-ML-Learning-Projects\u002Fcommunity\n\n## Recent Contributors\n[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F0)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F0)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F1)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F1)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F2)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F2)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F3)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F3)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F4)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F4)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F5)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F5)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F6)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F6)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F7)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F7)\n\n## Credit:\n\nThis project is inspired by Unnit Metaliya’s answer on quora: https:\u002F\u002Fqr.ae\u002FpNK0FW\n\nFor credits, these are the two repos (one for C and one for React) where I got the idea from:\n- https:\u002F\u002Fgithub.com\u002Ftruedl\u002Fc-for-beginners \n- https:\u002F\u002Fgithub.com\u002FUnnitMetaliya\u002F99-reactjs-project-ideas\n\n## License\n\nThis repo is covered under [The MIT License](LICENSE).\n","# 99-ML-Learning-Projects\n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。\n\n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。\n\n\n\n## 入门指南\n\n项目的格式大致如下：\n\n1. 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。\n\n2. 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。\n\n3. 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](CONTRIBUTING.md)。\n\n4. 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。\n\n5. 在任何时候，都可以为某个特定练习创建改进\u002F增强的议题，从而重复上述第3至第4步。\n\n6. 最后，无限循环地重复步骤1至5，直到完成99个项目。\n\n请遵守 [行为准则](CODE_OF_CONDUCT.md)，以确保开放友好的开源协作环境。\n\n### 目标：99个项目  \n### 当前：10个项目\n\n## 目录\n#### 通用机器学习\n\n- [线性回归 [初级]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F002\u002Fexercise)\n\n- [泰坦尼克号生存预测 [初级]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F001\u002Fexercise) \n\n- [从零开始实现kNN [初级]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F010\u002Fexercise)\n\n- [使用Scikit-learn实现kNN [初级]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F009\u002Fexercise)\n\n- [Bagging和Boosting集成方法 [中级]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F006\u002Fexercise)\n\n\n#### 计算机视觉\n- [MNIST手写数字识别 [中级]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F003\u002Fexercise) \n\n\n#### 自然语言处理\n\n- [情感分析 [中级]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F005\u002Fexercise) \n\n- [基于LSTM的文本生成神经网络模型 [高级]](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F004\u002Fexercise) \n\n\u003C!---\n#### 数据分析 \u002F 数据可视化\n#### 强化学习\n-->\n\n#### 贝叶斯方法\n\n- [朴素贝叶斯分类](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fblob\u002Fmaster\u002F008\u002Fexercise)\n\n#### 其他混合模型\n\n- [员工流失与绩效预测](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Ftree\u002Fmaster\u002F007) \n\n## 复习资料\u002F速查表\n\n- [Numpy](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fblob\u002Fmaster\u002FResources\u002FNumpy\u002FNumPy%20Tutorial.ipynb)\n- [Pandas](https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fblob\u002Fmaster\u002FResources\u002FPandas\u002FPandas%20Tutorial.ipynb)\n\n\n\n\n## 依赖项\n\n我们使用的一些库及其版本：\n- Python (>= 3.6)\n- NumPy (>= 1.18.5)\n- Pandas (>= 1.0.5)\n- Matplotlib (>= 3.2.2)\n- Seaborn (>= 0.10.1)\n- Scikit-learn (>= 0.22.2)\n- Tensorflow (>= 2.2.0)\n- PyTorch (>= 1.5.1)\n\n\n## 帮助与支持\n\n如果你想与我们取得联系，可以在我们的Discord\u002FGitter聊天室打招呼：\n\n- Discord: https:\u002F\u002Fdiscord.gg\u002FVVDg6P4\n- Gitter: https:\u002F\u002Fgitter.im\u002F99-ML-Learning-Projects\u002Fcommunity\n\n## 最近的贡献者\n[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F0)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F0)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F1)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F1)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F2)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F2)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F3)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F3)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F4)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F4)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F5)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F5)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F6)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F6)[![](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fimages\u002F7)](https:\u002F\u002Fsourcerer.io\u002Ffame\u002Fgimseng\u002Fgimseng\u002F99-ML-Learning-Projects\u002Flinks\u002F7)\n\n## 致谢：\n\n该项目灵感来源于Unnit Metaliya在Quora上的回答：https:\u002F\u002Fqr.ae\u002FpNK0FW\n\n此外，我从中获得灵感的两个仓库分别是：\n- https:\u002F\u002Fgithub.com\u002Ftruedl\u002Fc-for-beginners \n- https:\u002F\u002Fgithub.com\u002FUnnitMetaliya\u002F99-reactjs-project-ideas\n\n## 许可证\n\n本仓库采用 [MIT许可证](LICENSE)。","# 99-ML-Learning-Projects 快速上手指南\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Windows, macOS 或 Linux\n*   **Python 版本**：>= 3.6 (推荐使用 Python 3.8+)\n*   **包管理工具**：pip 或 conda\n\n**核心依赖库及最低版本要求：**\n*   NumPy >= 1.18.5\n*   Pandas >= 1.0.5\n*   Matplotlib >= 3.2.2\n*   Seaborn >= 0.10.1\n*   Scikit-learn >= 0.22.2\n*   Tensorflow >= 2.2.0 (如需深度学习项目)\n*   PyTorch >= 1.5.1 (如需深度学习项目)\n\n> 💡 **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。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n打开终端，执行以下命令将项目代码拉取到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects.git\ncd 99-ML-Learning-Projects\n```\n\n### 2. 创建虚拟环境（推荐）\n为避免依赖冲突，建议创建独立的虚拟环境：\n\n```bash\npython -m venv ml_env\n# Windows 激活\nml_env\\Scripts\\activate\n# macOS\u002FLinux 激活\nsource ml_env\u002Fbin\u002Factivate\n```\n\n### 3. 安装依赖\n使用国内镜像源安装所需库：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*注：如果项目中没有 `requirements.txt` 文件，您可以手动安装核心库：*\n\n```bash\npip install numpy pandas matplotlib seaborn scikit-learn tensorflow torch -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n本项目包含多个独立的机器学习练习项目，按难度（初学者\u002F中级\u002F高级）和领域分类。\n\n### 1. 选择项目\n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：\n*   路径：`001\u002Fexercise`\n*   难度：Beginner\n*   内容：经典的二分类问题\n\n其他推荐入门项目：\n*   `002\u002Fexercise`: 线性回归 (Linear Regression)\n*   `009\u002Fexercise`: 使用 Sklearn 进行 kNN 分类\n*   `010\u002Fexercise`: 从零实现 kNN 算法\n\n### 2. 运行练习\n进入具体项目文件夹，查看其中的 Jupyter Notebook (`.ipynb`) 或 Python 脚本。\n\n以泰坦尼克项目为例：\n\n```bash\ncd 001\u002Fexercise\njupyter notebook Titanic_Survival_Prediction.ipynb\n```\n\n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。\n\n### 3. 参与贡献（可选）\n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：\n1.  在 GitHub Issues 中提出新练习构想。\n2.  Fork 本仓库。\n3.  编写解决方案并完善文档。\n4.  提交 Pull Request (PR) 等待审核合并。\n\n更多贡献细节请参阅项目根目录下的 `CONTRIBUTING.md`。","一名刚转行数据科学的大学生，试图通过独立编写代码来掌握机器学习核心算法，却在海量零散教程中迷失方向。\n\n### 没有 99-ML-Learning-Projects 时\n- **学习路径混乱**：网上教程质量参差不齐，初学者难以判断该先学线性回归还是直接上手深度学习，导致基础不牢。\n- **缺乏实战闭环**：大多教程只讲理论或提供残缺代码，学习者无法经历从“理解题目”到“提交解决方案”的完整工程训练。\n- **反馈机制缺失**：独自闭门造车，代码写完后无人评审，不知道自己的实现是否规范，更无法获得优化建议。\n- **项目场景单一**：容易陷入“泰坦尼克号生存预测”等老套案例的重复练习，缺乏涵盖 NLP、计算机视觉等多领域的趣味挑战。\n\n### 使用 99-ML-Learning-Projects 后\n- **阶梯式成长路线**：依托库中从 Beginner 到 Advanced 的 99 个精选项目（如从零手写 kNN 到 LSTM 文本生成），用户可按难度循序渐进构建知识体系。\n- **沉浸式实验室体验**：每个项目都模拟真实的作业流程，用户需先阅读清晰的习题描述，再 Fork 仓库编写代码并撰写文档，锻炼全链路开发能力。\n- **社区驱动的代码评审**：通过 Pull Request 机制，用户的代码会经过社区成员的严格审查与优化建议，快速提升代码规范性与鲁棒性。\n- **多元化领域覆盖**：除了通用机器学习，还能接触到情感分析、员工流失预测等贴近实际业务的项目，极大拓宽了技术视野。\n\n99-ML-Learning-Projects 将零散的知识点转化为结构化的实战演练场，让学习者在与社区的协作中真正掌握机器学习的工程落地能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgimseng_99-ML-Learning-Projects_74055ef9.png","gimseng","Gim Seng","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgimseng_9ba0d016.jpg","Having fun with coding and data.",null,"https:\u002F\u002Fgithub.com\u002Fgimseng",[80,84],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",100,{"name":85,"color":86,"percentage":87},"Python","#3572A5",0,1119,227,"2026-04-08T05:33:27","MIT","未说明",{"notes":94,"python":95,"dependencies":96},"该项目包含从入门到高级的机器学习练习，部分项目涉及深度学习（使用 TensorFlow 或 PyTorch），具体硬件需求视运行的特定项目而定。README 中未明确指定操作系统、GPU 型号及内存大小要求。",">=3.6",[97,98,99,100,101,102,103],"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",[35,15],[106],"hacktoberfest","2026-03-27T02:49:30.150509","2026-04-09T01:03:54.685613",[110,115,120,125,130,135],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},25321,"如何加入核心维护团队或参与项目协作？","首先接受项目协作者邀请。为了保持活跃状态，建议在几天内创建一个 Issue、评论现有 Issue 或提交 Pull Request。此外，可以加入项目的 Discord 服务器，直接向维护者（如 JimNg 或 DBlackBird）发送私信以获取核心团队聊天室的访问权限，以便进行更非正式的讨论。","https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fissues\u002F6",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},25322,"新手如何开始为开源项目贡献代码（例如提交情感分析模型）？","即使模型不完美，也欢迎提交 Pull Request (PR)。你可以直接使用现有的公开数据集（如 Amazon 评论数据），或者使用自己教程中学到的模型。提交 PR 后，其他社区成员会进行审查并提供改进建议。如果不确定如何操作，可以先在 Discord 的相关频道（如 `005-sentiment_analysis`）中进行非正式讨论。","https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fissues\u002F68",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},25323,"在提交练习解决方案时，对文档和数据来源有什么具体要求？","必须在项目中提供数据的来源链接和简要描述（如果是爬取或复制的数据，需注明出处）。同时，建议在 `solution\u002Freadme.md` 文件中提供所用模型或技术的简明描述，参考已有项目（如 001 或 003 号项目）的格式，说明使用的技术和模型准确率等信息。","https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fissues\u002F66",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},25324,"如何为一个新练习（如员工流失预测）初始化数据集和文件结构？","首次贡献可以是创建数据集文件夹并复制数据集文件。同时，必须创建一个 `readme.md` 文件，详细描述数据集的内容、来源以及致谢信息。在此基础上，可以实现不同的数据预处理技术和算法，并在解决方案的 readme 中解释所使用的技术及模型准确度。","https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fissues\u002F98",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},25325,"项目中的练习编号是如何分配的？是否有分类计划？","目前项目编号是按“先到先得”的原则分配的。社区正在计划重新结构化，根据难度（如初级、中级、高级）或主题（如机器学习、深度学习、NLP）对项目进行分类。例如，线性回归等基础项目应排在泰坦尼克号预测之前。用户可以通过提交 PR 来帮助完善这种分类结构。","https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fissues\u002F93",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},25326,"从头实现朴素贝叶斯（Naive Bayes）算法需要掌握哪些前置知识？","需要具备机器学习的基础概念（监督\u002F无监督学习、分类等），熟悉 Python 3 和 NumPy 库。核心理论知识包括条件概率、贝叶斯定理和拉普拉斯平滑（Laplace smoothing）。该练习通常使用 Haberman 生存数据集，旨在通过手动实现算法来深入理解其工作原理。","https:\u002F\u002Fgithub.com\u002Fgimseng\u002F99-ML-Learning-Projects\u002Fissues\u002F100",[]]