################################################### 使用Python的机器学习课程 ###################################################

.. image:: https://img.shields.io/badge/contributions-welcome-brightgreen.svg?style=flat :target: https://github.com/pyairesearch/machine-learning-for-everybody/pulls .. image:: https://badges.frapsoft.com/os/v2/open-source.png?v=103 :target: https://github.com/ellerbrock/open-source-badge/ .. image:: https://img.shields.io/badge/Made%20with-Python-1f425f.svg :target: https://www.python.org/ .. image:: https://img.shields.io/github/contributors/machinelearningmindset/machine-learning-course.svg :target: https://github.com/machinelearningmindset/machine-learning-course/graphs/contributors .. image:: https://img.shields.io/badge/book-pdf-blue.svg :target: https://machinelearningmindset.com/wp-content/uploads/2019/06/machine-learning-course.pdf .. image:: https://img.shields.io/badge/official-documentation-green.svg :target: https://machine-learning-course.readthedocs.io/en/latest/ .. image:: https://img.shields.io/twitter/follow/machinemindset.svg?label=Follow&style=social :target: https://twitter.com/machinemindset

################## 目录 ################## .. contents:: :local: :depth: 4

================================================ 免费下载深度学习资源指南

.. raw:: html

================================================ Slack社区

.. raw:: html

======================== 引言

本项目旨在提供一门全面且简单的使用Python进行机器学习的课程。

.. 您可以通过以下链接访问完整文档：|Book| |Documentation|

.. .. |Book| image:: https://img.shields.io/badge/book-pdf-blue.svg :target: https://machinelearningmindset.com/wp-content/uploads/2019/06/machine-learning-course.pdf .. .. |Documentation| image:: https://img.shields.io/badge/official-documentation-green.svg :target: https://machine-learning-course.readthedocs.io/en/latest/

============ 动机

作为“人工智能”工具之一，“机器学习”是应用最广泛的科学领域之一。关于机器学习已经发表了大量的文献。本项目旨在通过一系列简单而全面的教程，使用“Python”来介绍“机器学习”的最重要方面。在本项目中，我们使用了许多著名的机器学习框架，如“Scikit-learn”。在本项目中，您将学习：

• 什么是机器学习的定义？
• 它何时开始，目前的发展趋势如何？
• 机器学习有哪些类别和子类别？
• 常用的机器学习算法有哪些，如何实现它们？

===================== 机器学习

+--------------------------------------------------------------------+-------------------------------+ | 标题 | 文档 | +====================================================================+===============================+ | 机器学习简介 | 概述 <Intro_>_ | +--------------------------------------------------------------------+-------------------------------+

.. _Intro: docs/source/intro/intro.rst

---

机器学习基础

.. figure:: _img/intro.png .. _lrtutorial: docs/source/content/overview/linear-regression.rst .. _lrcode: https://github.com/machinelearningmindset/machine-learning-course/blob/master/code/overview/linear_regression/linearRegressionOneVariable.ipynb

.. _overtutorial: docs/source/content/overview/overfitting.rst .. _overcode: code/overview/overfitting

.. _regtutorial: docs/source/content/overview/regularization.rst .. _regcode: code/overview/regularization

.. _crosstutorial: docs/source/content/overview/crossvalidation.rst .. _crosscode: code/overview/cross-validation

+--------------------------------------------------------------------+-------------------------------+--------------------------------+ | 标题 | 代码 | 文档 | +====================================================================+===============================+================================+ | 线性回归 | Python <lrcode_>_ | 教程 <lrtutorial_>_ | +--------------------------------------------------------------------+-------------------------------+--------------------------------+ | 过拟合 / 欠拟合 | Python <overcode_>_ | 教程 <overtutorial_>_ | +--------------------------------------------------------------------+-------------------------------+--------------------------------+ | 正则化 | Python <regcode_>_ | 教程 <regtutorial_>_ | +--------------------------------------------------------------------+-------------------------------+--------------------------------+ | 交叉验证 | Python <crosscode_>_ | 教程 <crosstutorial_>_ | +--------------------------------------------------------------------+-------------------------------+--------------------------------+

---

监督学习

.. figure:: _img/supervised.gif

.. _dtdoc: docs/source/content/supervised/decisiontrees.rst .. _dtcode: code/supervised/DecisionTree/decisiontrees.py

.. _knndoc: docs/source/content/supervised/knn.rst .. _knncode: code/supervised/KNN/knn.py

.. _nbdoc: docs/source/content/supervised/bayes.rst .. _nbcode: code/supervised/Naive_Bayes

.. _logisticrdoc: docs/source/content/supervised/logistic_regression.rst .. _logisticrcode: supervised/Logistic_Regression/logistic_ex1.py

.. _linearsvmdoc: docs/source/content/supervised/linear_SVM.rst .. _linearsvmcode: code/supervised/Linear_SVM/linear_svm.py

+--------------------------------------------------------------------+-------------------------------+------------------------------+ | 标题 | 代码 | 文档 | +====================================================================+===============================+==============================+ | 决策树 | Python <dtcode_>_ | 教程 <dtdoc_>_ | +--------------------------------------------------------------------+-------------------------------+------------------------------+ | K近邻 | Python <knncode_>_ | 教程 <knndoc_>_ | +--------------------------------------------------------------------+-------------------------------+------------------------------+ | 朴素贝叶斯 | Python <nbcode_>_ | 教程 <nbdoc_>_ | +--------------------------------------------------------------------+-------------------------------+------------------------------+ | 逻辑回归 | Python <logisticrcode_>_ | 教程 <logisticrdoc_>_ | +--------------------------------------------------------------------+-------------------------------+------------------------------+ | 支持向量机 | Python <linearsvmcode_>_ | 教程 <linearsvmdoc_>_ | +--------------------------------------------------------------------+-------------------------------+------------------------------+

---

无监督学习

.. figure:: _img/unsupervised.gif

.. _clusteringdoc: docs/source/content/unsupervised/clustering.rst .. _clusteringcode: code/unsupervised/Clustering

.. _pcadoc: docs/source/content/unsupervised/pca.rst .. _pcacode: code/unsupervised/PCA

+--------------------------------------------------------------------+-------------------------------+--------------------------------+ | 标题 | 代码 | 文档 | +====================================================================+===============================+================================+ | 聚类 | Python <clusteringcode_>_ | 教程 <clusteringdoc_>_ | +--------------------------------------------------------------------+-------------------------------+--------------------------------+ | 主成分分析 | Python <pcacode_>_ | 教程 <pcadoc_>_ | +--------------------------------------------------------------------+-------------------------------+--------------------------------+

---

深度学习

.. figure:: _img/deeplearning.png

.. _mlpdoc: docs/source/content/deep_learning/mlp.rst .. _mlpcode: code/deep_learning/mlp

.. _cnndoc: docs/source/content/deep_learning/cnn.rst .. _cnncode: code/deep_learning/cnn

.. _aedoc: docs/source/content/deep_learning/autoencoder.rst .. _aecode: code/deep_learning/autoencoder

.. _rnndoc: code/deep_learning/rnn/rnn.ipynb .. _rnncode: code/deep_learning/rnn/rnn.py

+--------------------------------------------------------------------+-------------------------------+---------------------------+ | 标题 | 代码 | 文档 | +====================================================================+===============================+===========================+ | 神经网络概述 | Python <mlpcode_>_ | 教程 <mlpdoc_>_ | +--------------------------------------------------------------------+-------------------------------+---------------------------+ | 卷积神经网络 | Python <cnncode_>_ | 教程 <cnndoc_>_ | +--------------------------------------------------------------------+-------------------------------+---------------------------+ | 自编码器 | Python <aecode_>_ | 教程 <aedoc_>_ | +--------------------------------------------------------------------+-------------------------------+---------------------------+ | 循环神经网络 | Python <rnncode_>_ | IPython <rnndoc_>_ | +--------------------------------------------------------------------+-------------------------------+---------------------------+

======================== 拉取请求流程

请考虑以下标准，以便我们更好地为您提供帮助：

1. 拉取请求主要应为链接建议。
2. 请确保您建议的资源未过时或失效。
3. 在构建和创建拉取请求之前，请确保已移除所有安装或构建依赖项。
4. 添加注释以详细说明接口的更改，包括新的环境变量、开放端口、有用文件位置以及容器参数。
5. 当您获得至少一名其他开发者的批准后，即可合并拉取请求；如果您没有权限执行此操作，可在确认所有检查均已通过的情况下，请求项目所有者为您合并。

======================== 最后说明

我们期待您的宝贵反馈。请帮助我们改进这个开源项目，使我们的工作更加出色。如需贡献，请创建一个拉取请求，我们将尽快进行审核。再次感谢您的反馈与支持。

======================== 开发者

项目负责人及创建者: Amirsina Torfi [GitHub <https://github.com/astorfi>, 个人网站 <https://astorfi.github.io/>, LinkedIn <https://www.linkedin.com/in/sinalk/>_ ]

开发人员: Amirsina Torfi, Brendan Sherman*, James E Hopkins* [LinkedIn <https://www.linkedin.com/in/jhopk>], Zac Smith [LinkedIn <https://www.linkedin.com/in/zac-smith-a7bb60185/i>]

注意：本项目作为弗吉尼亚理工大学 [CS 4624 多媒体/超文本课程 <https://vtechworks.lib.vt.edu/handle/10919/90655>] 提供的毕业设计项目而开发，并在 [机器学习思维 <https://machinelearningmindset.com/>] 的指导和支持下完成。

*: 平等贡献

====================== 引用

如果您觉得本课程有所帮助，请您参考以下格式进行引用：

.. code:: shell

@software{amirsina_torfi_2019_3585763,
  author       = {Amirsina Torfi 和
                  Brendan Sherman 和
                  Jay Hopkins 和
                  Eric Wynn 和
                  hokie45 和
                  Frederik De Bleser 和
                  李明岳 和
                  Samuel Husso 和
                  Alain},
  title        = {{machinelearningmindset/machine-learning-course: 
                   使用 Python 的机器学习}},
  month        = dec,
  year         = 2019,
  publisher    = {Zenodo},
  version      = {1.0},
  doi          = {10.5281/zenodo.3585763},
  url          = {https://doi.org/10.5281/zenodo.3585763}
}

machine-learning-course 快速上手指南

本指南旨在帮助中国开发者快速搭建基于 Python 的机器学习学习环境，涵盖从基础理论到深度学习的全套教程与代码示例。

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：推荐 Python 3.6 及以上版本
• 核心依赖库：
  • NumPy (数值计算)
  • Pandas (数据处理)
  • Matplotlib / Seaborn (数据可视化)
  • Scikit-learn (传统机器学习算法)
  • TensorFlow 或 Keras (深度学习部分，视具体章节需求而定)
• 开发工具：推荐使用 Jupyter Notebook 或 Jupyter Lab 运行示例代码（.ipynb 文件），也可使用任意 Python IDE 运行 .py 脚本。

安装步骤

1. 克隆项目仓库

使用 Git 将项目代码下载到本地：

git clone https://github.com/machinelearningmindset/machine-learning-course.git
cd machine-learning-course

国内加速建议：如果克隆速度较慢，可使用 Gitee 镜像（如有）或通过配置 Git 代理加速，或直接下载 ZIP 包解压。

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

激活环境：

• Windows:

  ml_env\Scripts\activate
  

• macOS / Linux:

  source ml_env/bin/activate
  

3. 安装依赖

项目根目录通常包含 requirements.txt 文件。为确保下载速度，建议使用国内镜像源（如清华源）进行安装：

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

若项目中未提供 requirements.txt，可手动安装核心库：

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

(注：涉及深度学习的章节可能需要额外安装 tensorflow 或 torch)

基本使用

本项目采用“教程文档 + 代码实现”对照的方式组织内容。

1. 启动学习界面

进入项目目录后，启动 Jupyter Notebook 以交互式运行代码示例：

jupyter notebook

浏览器将自动打开，导航至对应的章节文件夹（例如 code/overview/ 或 code/supervised/）。

2. 运行第一个示例：线性回归

以最基础的 线性回归 (Linear Regression) 为例：

1. 在 Jupyter 文件列表中，进入 code/overview/linear_regression/ 目录。
2. 打开 linearRegressionOneVariable.ipynb 文件。
3. 按顺序执行单元格（Cell），观察数据生成、模型训练及可视化结果。

或者，如果您偏好直接运行 Python 脚本：

# 假设当前位于项目根目录
python code/supervised/KNN/knn.py

3. 学习路径建议

根据 README 提供的目录结构，建议按以下顺序学习：

1. 机器学习基础 (Machine Learning Basics)
   • 位置：docs/source/content/overview/ 和 code/overview/
   • 内容：线性回归、过拟合/欠拟合、正则化、交叉验证。
2. 监督学习 (Supervised Learning)
   • 位置：code/supervised/
   • 内容：决策树、KNN、朴素贝叶斯、逻辑回归、支持向量机 (SVM)。
3. 无监督学习 (Unsupervised Learning)
   • 位置：code/unsupervised/
   • 内容：聚类分析、主成分分析 (PCA)。
4. 深度学习 (Deep Learning)
   • 位置：code/deep_learning/
   • 内容：神经网络概述、CNN、自编码器、RNN。

您可以结合官方文档（在线阅读或下载的 PDF 书籍）阅读理论部分，然后在本地运行对应代码进行实践。