[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hanmq--MachineLearning_Zhouzhihua_ProblemSets":3,"tool-hanmq--MachineLearning_Zhouzhihua_ProblemSets":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},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。",85013,2,"2026-04-06T11:09:19",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},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。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","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。\n\n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。\n\nPaddleOCR 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。",74991,"2026-04-06T23:16:49",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-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。\n\n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。\n\n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。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-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。\n\n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。\n\n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",65644,"2026-04-06T10:25:08",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","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。\n\n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。\n\nKeras 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。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":79,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":79,"difficulty_score":46,"env_os":94,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":98,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":22,"created_at":99,"updated_at":100,"faqs":101,"releases":102},4790,"hanmq\u002FMachineLearning_Zhouzhihua_ProblemSets","MachineLearning_Zhouzhihua_ProblemSets","Exercises answers to the book \"machine-learning\" written by Zhou Zhihua。周志华《机器学习》课后习题，个人解答。各算法都拿numpy和pandas实现了一遍","MachineLearning_Zhouzhihua_ProblemSets 是周志华教授经典教材《机器学习》（俗称“西瓜书”）的配套开源学习资源。它系统整理了书中各章节的课后习题解答，并针对核心算法提供了完整的代码实现，旨在帮助读者跨越从理论公式到实际落地的鸿沟。\n\n许多初学者在阅读“西瓜书”时，常因复杂的数学推导和缺乏实践案例而感到吃力。本项目通过详细的习题解析和基于 NumPy、Pandas 从零编写的算法代码，直观地展示了逻辑回归、决策树、神经网络、支持向量机、集成学习及聚类等主流技术的内部运作机制，让抽象的数学公式变得可执行、可验证。此外，项目包含大量 LaTeX 公式并支持 MathJax 渲染，极大提升了在线阅读体验。\n\n这份资源特别适合计算机专业的学生、刚入门的机器学习开发者以及希望夯实理论基础的研究人员使用。无论你是想深入理解算法原理，还是希望通过手写代码来锻炼工程能力，MachineLearning_Zhouzhihua_ProblemSets 都能提供极具价值的参考。其最大的亮点在于坚持不使用现成的高级框架封装，而是回归底层实现，让用户能真正看清每一个计算步骤，从","MachineLearning_Zhouzhihua_ProblemSets 是周志华教授经典教材《机器学习》（俗称“西瓜书”）的配套开源学习资源。它系统整理了书中各章节的课后习题解答，并针对核心算法提供了完整的代码实现，旨在帮助读者跨越从理论公式到实际落地的鸿沟。\n\n许多初学者在阅读“西瓜书”时，常因复杂的数学推导和缺乏实践案例而感到吃力。本项目通过详细的习题解析和基于 NumPy、Pandas 从零编写的算法代码，直观地展示了逻辑回归、决策树、神经网络、支持向量机、集成学习及聚类等主流技术的内部运作机制，让抽象的数学公式变得可执行、可验证。此外，项目包含大量 LaTeX 公式并支持 MathJax 渲染，极大提升了在线阅读体验。\n\n这份资源特别适合计算机专业的学生、刚入门的机器学习开发者以及希望夯实理论基础的研究人员使用。无论你是想深入理解算法原理，还是希望通过手写代码来锻炼工程能力，MachineLearning_Zhouzhihua_ProblemSets 都能提供极具价值的参考。其最大的亮点在于坚持不使用现成的高级框架封装，而是回归底层实现，让用户能真正看清每一个计算步骤，从而建立起对机器学习算法深刻而扎实的认知。","# 机器学习——周志华 （西瓜书）课后习题\n\n习题解答中有大量Latex公式，为了方便阅读推荐安装[MathJax](https:\u002F\u002Fchrome.google.com\u002Fwebstore\u002Fdetail\u002Fmathjax-plugin-for-github\u002Fioemnmodlmafdkllaclgeombjnmnbima)\n\n在[知乎上](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fc_1013850291887845376)也有同步更新，如何不能科学上网可以去知乎上看看。\n\n---\n习题和涉及算法实现：\n### 第二章 模型评估与选择\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch2--%E6%A8%A1%E5%9E%8B%E8%AF%84%E4%BC%B0%E4%B8%8E%E9%80%89%E6%8B%A9\u002Fch2%E4%B9%A0%E9%A2%98.md)\n\n### 第三章 线性模型\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch3--%E7%BA%BF%E6%80%A7%E6%A8%A1%E5%9E%8B\u002Fch3%E4%B9%A0%E9%A2%98.md)   \n\n[LR-逻辑回归](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch3--%E7%BA%BF%E6%80%A7%E6%A8%A1%E5%9E%8B\u002F3.3)   \n[LDA-线性判别分析](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch3--线性模型\u002F3.5)\n\n### 第四章 决策树   \n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch4--%E5%86%B3%E7%AD%96%E6%A0%91\u002Fch4%E4%B9%A0%E9%A2%98.md)   \n\n[决策树](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch4--%E5%86%B3%E7%AD%96%E6%A0%91\u002F4.3-4.4)\n\n### 第五章 神经网络\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch5--%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C\u002Fch5%E4%B9%A0%E9%A2%98.md)   \n\n[BP神经网络](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch5--%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C\u002F5.5-5.6)   \n[RBF-径向基神经网络](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch5--%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C\u002F5.7)\n\n### 第六章 支持向量机\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch6--%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA\u002Fch6%E4%B9%A0%E9%A2%98.md)   \n\n[SVM-支持向量机](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch6--%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA\u002FmySVM)\n\n### 第七章 贝叶斯分类\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch7--%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%88%86%E7%B1%BB\u002Fch7%E4%B9%A0%E9%A2%98.md)   \n\n[朴素贝叶斯](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch7--%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%88%86%E7%B1%BB\u002F7.3)   \n[半朴素贝叶斯-AODE](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch7--%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%88%86%E7%B1%BB\u002F7.6)\n\n### 第八章 集成学习\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch8--%E9%9B%86%E6%88%90%E5%AD%A6%E4%B9%A0\u002Fch8%E4%B9%A0%E9%A2%98.md)   \n\n[AdaBoost](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch8--%E9%9B%86%E6%88%90%E5%AD%A6%E4%B9%A0\u002F8.3-AdaBoost.py)   \n[决策树桩Bagging](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch8--%E9%9B%86%E6%88%90%E5%AD%A6%E4%B9%A0\u002F8.5-StumpBagging.py)\n\n### 第九章 聚类\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch9--%E8%81%9A%E7%B1%BB\u002Fch9%E4%B9%A0%E9%A2%98.md)   \n\n[KMeans](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch9--%E8%81%9A%E7%B1%BB\u002F9.4-KMeans.py)   \n\n### 第十章 降维与度量学习\n\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch10--%E9%99%8D%E7%BB%B4%E4%B8%8E%E5%BA%A6%E9%87%8F%E5%AD%A6%E4%B9%A0\u002Fch10%E4%B9%A0%E9%A2%98.md)\n\n[KNN](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch10--%E9%99%8D%E7%BB%B4%E4%B8%8E%E5%BA%A6%E9%87%8F%E5%AD%A6%E4%B9%A0\u002F10.1-KNN.py)   \n[PCA](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch10--%E9%99%8D%E7%BB%B4%E4%B8%8E%E5%BA%A6%E9%87%8F%E5%AD%A6%E4%B9%A0\u002F10.6-PCA.py)\n","# 机器学习——周志华（西瓜书）课后习题\n\n习题解答中包含大量LaTeX公式，为方便阅读，建议安装[MathJax](https:\u002F\u002Fchrome.google.com\u002Fwebstore\u002Fdetail\u002Fmathjax-plugin-for-github\u002Fioemnmodlmafdkllaclgeombjnmnbima)。\n\n在[知乎上](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fc_1013850291887845376)也有同步更新，如果无法科学上网，可以前往知乎查看。\n\n---\n习题及涉及算法实现：\n### 第二章 模型评估与选择\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch2--%E6%A8%A1%E5%9E%8B%E8%AF%84%E4%BC%B0%E4%B8%8E%E9%80%89%E6%8B%A9\u002Fch2%E4%B9%A0%E9%A2%98.md)\n\n### 第三章 线性模型\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch3--%E7%BA%BF%E6%80%A7%E6%A8%A1%E5%9E%8B\u002Fch3%E4%B9%A0%E9%A2%98.md)   \n\n[LR-逻辑回归](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch3--%E7%BA%BF%E6%80%A7%E6%A8%A1%E5%9E%8B\u002F3.3)   \n[LDA-线性判别分析](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch3--线性模型\u002F3.5)\n\n### 第四章 决策树   \n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch4--%E5%86%B3%E7%AD%96%E6%A0%91\u002Fch4%E4%B9%A0%E9%A2%98.md)   \n\n[决策树](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch4--%E5%86%B3%E7%AD%96%E6%A0%91\u002F4.3-4.4)\n\n### 第五章 神经网络\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch5--%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C\u002Fch5%E4%B9%A0%E9%A2%98.md)   \n\n[BP神经网络](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch5--%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C\u002F5.5-5.6)   \n[RBF-径向基神经网络](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch5--%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C\u002F5.7)\n\n### 第六章 支持向量机\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch6--%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA\u002Fch6%E4%B9%A0%E9%A2%98.md)   \n\n[SVM-支持向量机](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch6--%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA\u002FmySVM)\n\n### 第七章 贝叶斯分类\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch7--%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%88%86%E7%B1%BB\u002Fch7%E4%B9%A0%E9%A2%98.md)   \n\n[朴素贝叶斯](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch7--%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%88%86%E7%B1%BB\u002F7.3)   \n[半朴素贝叶斯-AODE](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Ftree\u002Fmaster\u002Fch7--%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%88%86%E7%B1%BB\u002F7.6)\n\n### 第八章 集成学习\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch8--%E9%9B%86%E6%88%90%E5%AD%A6%E4%B9%A0\u002Fch8%E4%B9%A0%E9%A2%98.md)   \n\n[AdaBoost](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch8--%E9%9B%86%E6%88%90%E5%AD%A6%E4%B9%A0\u002F8.3-AdaBoost.py)   \n[决策树桩Bagging](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch8--%E9%9B%86%E6%88%90%E5%AD%A6%E4%B9%A0\u002F8.5-StumpBagging.py)\n\n### 第九章 聚类\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch9--%E8%81%9A%E7%B1%BB\u002Fch9%E4%B9%A0%E9%A2%98.md)   \n\n[KMeans](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch9--%E8%81%9A%E7%B1%BB\u002F9.4-KMeans.py)   \n\n### 第十章 降维与度量学习\n\n[习题](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch10--%E9%99%8D%E7%BB%B4%E4%B8%8E%E5%BA%A6%E9%87%8F%E5%AD%A6%E4%B9%A0\u002Fch10%E4%B9%A0%E9%A2%98.md)\n\n[KNN](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch10--%E9%99%8D%E7%BB%B4%E4%B8%8E%E5%BA%A6%E9%87%8F%E5%AD%A6%E4%B9%A0\u002F10.1-KNN.py)   \n[PCA](https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets\u002Fblob\u002Fmaster\u002Fch10--%E9%99%8D%E7%BB%B4%E4%B8%8E%E5%BA%A6%E9%87%8F%E5%AD%A6%E4%B9%A0\u002F10.6-PCA.py)","# MachineLearning_Zhouzhihua_ProblemSets 快速上手指南\n\n本指南旨在帮助开发者快速使用周志华《机器学习》（西瓜书）的课后习题解答与算法实现代码库。\n\n## 环境准备\n\n*   **系统要求**：Windows \u002F macOS \u002F Linux\n*   **前置依赖**：\n    *   Python 3.x (推荐 3.6+)\n    *   Git (用于克隆仓库)\n    *   常用科学计算库：`numpy`, `matplotlib`, `sklearn` 等（具体依赖请参考各章节代码文件头部注释）\n*   **阅读优化**：\n    *   由于习题解答包含大量 LaTeX 公式，若在 GitHub 网页端阅读，强烈建议安装浏览器插件 **MathJax Plugin for GitHub** 以正常渲染公式。\n    *   **国内访问方案**：若无法顺畅访问 GitHub，可前往 [知乎专栏](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fc_1013850291887845376) 查看同步更新的图文内容。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    打开终端或命令行工具，执行以下命令将项目下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fhan1057578619\u002FMachineLearning_Zhouzhihua_ProblemSets.git\n    ```\n\n2.  **进入目录**\n    ```bash\n    cd MachineLearning_Zhouzhihua_ProblemSets\n    ```\n\n3.  **安装依赖（可选）**\n    部分算法实现需要基础科学计算库。如果运行报错缺少模块，请执行：\n    ```bash\n    pip install numpy matplotlib scikit-learn\n    ```\n    *(注：国内用户推荐使用清华源加速安装：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy matplotlib scikit-learn`)*\n\n## 基本使用\n\n本项目按书籍章节组织，每个章节包含习题解答（Markdown 格式）和核心算法的代码实现（Python 脚本）。\n\n### 1. 查看习题解答\n直接在 GitHub 仓库或本地编辑器中打开对应章节的 `.md` 文件即可阅读。\n*   例如：查看第二章习题，打开 `ch2--模型评估与选择\u002Fch2 习题.md`。\n\n### 2. 运行算法示例\n进入对应章节文件夹，直接使用 Python 运行具体的算法脚本。\n\n**示例：运行逻辑回归 (LR) 算法**\n```bash\ncd ch3--线性模型\u002F3.3\npython lr.py\n```\n*(注：具体文件名请以该目录下实际存在的 .py 文件为准，如 `3.3` 文件夹下的实现文件)*\n\n**示例：运行 KMeans 聚类算法**\n```bash\ncd ch9--聚类\npython 9.4-KMeans.py\n```\n\n**示例：运行 PCA 降维算法**\n```bash\ncd ch10--降维与度量学习\npython 10.6-PCA.py\n```\n\n### 核心资源索引\n以下是主要章节的算法实现路径指引：\n\n| 章节 | 主题 | 关键算法实现路径参考 |\n| :--- | :--- | :--- |\n| Ch3 | 线性模型 | `ch3--线性模型\u002F3.3` (LR), `ch3--线性模型\u002F3.5` (LDA) |\n| Ch4 | 决策树 | `ch4--决策树\u002F4.3-4.4` |\n| Ch5 | 神经网络 | `ch5--神经网络\u002F5.5-5.6` (BP), `ch5--神经网络\u002F5.7` (RBF) |\n| Ch6 | 支持向量机 | `ch6--支持向量机\u002FmySVM` |\n| Ch7 | 贝叶斯分类 | `ch7--贝叶斯分类\u002F7.3` (朴素), `ch7--贝叶斯分类\u002F7.6` (AODE) |\n| Ch8 | 集成学习 | `ch8--集成学习\u002F8.3-AdaBoost.py`, `8.5-StumpBagging.py` |\n| Ch9 | 聚类 | `ch9--聚类\u002F9.4-KMeans.py` |\n| Ch10 | 降维 | `ch10--降维与度量学习\u002F10.1-KNN.py`, `10.6-PCA.py` |","一名计算机专业的研究生正在备战机器学习考研复试，需要深入理解周志华《机器学习》（西瓜书）中的核心算法推导与代码实现。\n\n### 没有 MachineLearning_Zhouzhihua_ProblemSets 时\n- **公式推导受阻**：面对书中复杂的数学公式和课后习题，缺乏详细的步骤解析，常常卡在拉格朗日乘子法或矩阵求导等关键推导环节，耗时数天仍无头绪。\n- **算法实现困难**：试图从零开始用 NumPy 复现 SVM 或 BP 神经网络时，因对底层逻辑理解不透彻，导致代码报错频发且难以调试，最终只能放弃手写转而直接调用 sklearn 黑盒库。\n- **理论实践脱节**：虽然能背诵概念，但无法将书中的“模型评估选择”或“集成学习”理论与具体的数据预处理、特征工程代码对应起来，面试时被问到实现细节便哑口无言。\n\n### 使用 MachineLearning_Zhouzhihua_ProblemSets 后\n- **推导思路清晰**：直接参考项目中详尽的 LaTeX 习题解答，快速理清了线性判别分析（LDA）和朴素贝叶斯的数学脉络，将原本需要数天的推导过程缩短至几小时即可掌握。\n- **底层代码可跑通**：利用仓库中基于 NumPy 和 Pandas 原生实现的决策树、KMeans 及 PCA 代码作为“标准答案”，逐行对照学习，成功手写出无依赖的算法原型，彻底吃透了梯度更新与分裂准则。\n- **知行合一提升**：通过研读第三章到第十章的完整案例，将抽象的“剪枝策略”或“核函数映射”转化为可视化的代码逻辑，在模拟面试中能流畅讲解算法从公式到落地的全过程。\n\nMachineLearning_Zhouzhihua_ProblemSets 通过将晦涩的理论习题转化为可执行的代码实例，架起了从数学推导到工程落地的高效桥梁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhanmq_MachineLearning_Zhouzhihua_ProblemSets_818f97a3.png","hanmq","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhanmq_44572b62.png",null,"1057578619@qq.com","https:\u002F\u002Fgithub.com\u002Fhanmq",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",89.2,{"name":88,"color":89,"percentage":90},"Jupyter Notebook","#DA5B0B",10.8,1677,439,"2026-04-05T13:35:00","未说明",{"notes":96,"python":94,"dependencies":97},"本项目主要为周志华《机器学习》（西瓜书）的课后习题解答及部分算法实现（如逻辑回归、决策树、SVM、BP 神经网络等）。代码文件多为.py 脚本或 Markdown 文档。习题解答包含大量 LaTeX 公式，建议在浏览器安装 MathJax 插件以便在 GitHub 上正常阅读。部分算法实现可能依赖基础科学计算库（如 NumPy, Pandas, Matplotlib），但 README 中未明确列出具体依赖列表及版本要求。",[94],[18],"2026-03-27T02:49:30.150509","2026-04-07T10:41:27.803455",[],[]]