[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jindongwang--MachineLearning":3,"tool-jindongwang--MachineLearning":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":86,"forks":87,"last_commit_at":88,"license":85,"difficulty_score":89,"env_os":90,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":94,"github_topics":95,"view_count":10,"oss_zip_url":85,"oss_zip_packed_at":85,"status":16,"created_at":99,"updated_at":100,"faqs":101,"releases":112},789,"jindongwang\u002FMachineLearning","MachineLearning","一些关于机器学习的学习资料与研究介绍","MachineLearning 是一个汇聚机器学习领域优质资源的开源集合。针对初学者常面临资料分散、学习路径不清晰的问题，它提供了一套系统化的解决方案。内容涵盖从宏观理论到微观代码的全方位材料：既有周志华《机器学习》和李航《统计学习方法》等经典教材，也有吴恩达、李宏毅等知名讲师的课程视频。对于注重实践的开发者，项目整理了 Python 算法实现、Kaggle 竞赛题目及公开数据集，并细分为深度学习、自然语言处理、计算机视觉等具体研究方向。此外，还贴心地提供了线性代数、概率统计等前置知识链接。无论是高校学生、转行开发者还是研究人员，都能借助 MachineLearning 快速搭建知识体系，高效完成从理论学习到实战落地的全过程，是开启人工智能学习之旅的理想指南。","# 机器学习资源 Machine learning Resources\n\n*本项目已更新，请移步到[这里](https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning)参与我们最新的机器学习开源项目。*\n\n*快速开始学习：* \n- 周志华的[《机器学习》](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1hscnaQC)作为通读教材，不用深入，从宏观上了解机器学习\n\n- 李航的[《统计学习方法》](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1dF2b4jf)作为经典的深入案例，仔细研究几个算法的来龙去脉 | [书中的代码实现](https:\u002F\u002Fgithub.com\u002FWenDesi\u002Flihang_book_algorithm)\n\n- 使用Python语言，根据[《机器学习实战》](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1gfzV7PL)快速上手写程序\n\n- 吴恩达的最新深度学习课程资源：https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-06-21-6\n\n- 参照Youtube机器学习红人Siraj Raval的视频+代码可以帮助你更好地进入状态！\n    - [原Youtube地址需要梯子](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=xRJCOz3AfYY&list=PL2-dafEMk2A7mu0bSksCGMJEmeddU_H4D) | [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1jICGJFg)\n    \n- 来自国立台湾大学李宏毅老师的机器学习和深度学习中文课程，强烈推荐：[课程](http:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~tlkagk\u002Fcourses.html)\n\n- 最后，你可能想真正实战一下。那么，请到注明的机器学习竞赛平台Kaggle上做一下这些基础入门的[题目](https:\u002F\u002Fwww.kaggle.com\u002Fcompetitions?sortBy=deadline&group=all&page=1&pageSize=20&segment=gettingStarted)吧！(Kaggle上对于每个问题你都可以看到别人的代码，方便你更加快速地学习)  [Kaggle介绍及入门解读](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25686876) [可以用来练手的数据集](https:\u002F\u002Fwww.kaggle.com\u002Fannavictoria\u002Fml-friendly-public-datasets\u002Fnotebook)\n\n其他有用的资料：\n\n- 想看别人怎么写代码？[机器学习经典教材《PRML》所有代码实现](https:\u002F\u002Fgithub.com\u002Fctgk\u002FPRML)\n\n- [机器学习算法Python实现](https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python)\n\n- [吴恩达新书：Machine Learning Yearning中文版](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F10kosKx6rDguS4tPejY-fRw)\n\n- 另外，对于一些基础的数学知识，你看[深度学习(花书)中文版](https:\u002F\u002Fgithub.com\u002Fexacity\u002Fdeeplearningbook-chinese)就够了。这本书同时也是**深度学习**经典之书。\n\n- 来自南京大学周志华小组的博士生写的一本小而精的[解析卷积神经网络—深度学习实践手册](http:\u002F\u002Flamda.nju.edu.cn\u002Fweixs\u002Fbook\u002FCNN_book.html)\n\n- - -\n\n[一个简洁明了的时间序列处理(分窗、特征提取、分类)库：Seglearn](https:\u002F\u002Fdmbee.github.io\u002Fseglearn\u002Findex.html)\n\n[计算机视觉这一年：这是最全的一份CV技术报告](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31430602)\n\n[深度学习(花书)中文版](https:\u002F\u002Fgithub.com\u002Fexacity\u002Fdeeplearningbook-chinese)\n\n**[深度学习最值得看的论文](http:\u002F\u002Fwww.dlworld.cn\u002FYeJieDongTai\u002F4385.html)**\n\n**[最全面的深度学习自学资源集锦](http:\u002F\u002Fdataunion.org\u002F29975.html)**\n\n**[Machine learning surveys](https:\u002F\u002Fgithub.com\u002Fmetrofun\u002Fmachine-learning-surveys\u002F)**\n\n**[快速入门TensorFlow](https:\u002F\u002Fgithub.com\u002Faymericdamien\u002FTensorFlow-Examples)**\n\n[自然语言处理数据集](http:\u002F\u002Fabunchofdata.com\u002Fdatasets-for-natural-language-processing\u002F)\n \n[Learning Machine Learning? Six articles you don’t want to miss](http:\u002F\u002Fwww.ibmbigdatahub.com\u002Fblog\u002Flearning-machine-learning-six-articles-you-don-t-want-miss)\n\n[Getting started with machine learning documented by github](https:\u002F\u002Fgithub.com\u002Fcollections\u002Fmachine-learning)\n\n- - -\n\n\n## 研究领域资源细分\n\n- ### [深度学习 Deep learning](https:\u002F\u002Fgithub.com\u002FChristosChristofidis\u002Fawesome-deep-learning)\n\n- ### [强化学习 Reinforcement learning](https:\u002F\u002Fgithub.com\u002Faikorea\u002Fawesome-rl)\n\n- ### [迁移学习 Transfer learning](https:\u002F\u002Fjindongwang.github.io\u002Ftransferlearning\u002F)\n\n- ### [分布式学习系统 Distributed learning system](https:\u002F\u002Fgithub.com\u002Ftheanalyst\u002Fawesome-distributed-systems)\n\n- ### [计算机视觉\u002F机器视觉 Computer vision \u002F machine vision](https:\u002F\u002Fgithub.com\u002Fjbhuang0604\u002Fawesome-computer-vision)\n\n- ### [自然语言处理 Natural language procesing](https:\u002F\u002Fgithub.com\u002FNativeatom\u002FNaturalLanguageProcessing)\n\n- ### [生物信息学 Bioinfomatics](https:\u002F\u002Fgithub.com\u002Fdanielecook\u002FAwesome-Bioinformatics)\n\n- ### [行为识别 Activity recognition](https:\u002F\u002Fgithub.com\u002Fjindongwang\u002Factivityrecognition)\n\n- ### [多智能体 Multi-Agent](http:\u002F\u002Fddl.escience.cn\u002Ff\u002FILKI)\n\n- - -\n\n##  开始学习：预备知识 Prerequisite\n\n- [学习知识与路线图](https:\u002F\u002Fmetacademy.org\u002F)\n\n- [MIT线性代数课堂笔记(中文)](https:\u002F\u002Fgithub.com\u002Fzlotus\u002Fnotes-linear-algebra)\n\n- [概率与统计 The Probability and Statistics Cookbook](http:\u002F\u002Fstatistics.zone\u002F)\n\n- Python\n\n    - [Learn X in Y minutes](https:\u002F\u002Flearnxinyminutes.com\u002Fdocs\u002Fpython\u002F)\n\n    - [Python机器学习互动教程](https:\u002F\u002Fwww.springboard.com\u002Flearning-paths\u002Fmachine-learning-python\u002F)\n\n- Markdown\n\n    - [Mastering Markdown](https:\u002F\u002Fguides.github.com\u002Ffeatures\u002Fmastering-markdown\u002F) - Markdown is a easy-to-use writing tool on the GitHu.\n\n- R\n\n    - [R Tutorial](http:\u002F\u002Fwww.cyclismo.org\u002Ftutorial\u002FR\u002F)\n\n- Python和Matlab的一些cheat sheet：http:\u002F\u002Fddl.escience.cn\u002Ff\u002FIDkq 包含：\n\n    - Numpy、Scipy、Pandas科学计算库\n\n    - Matlab科学计算\n\n    - Matplotlib画图\n\n- 深度学习框架\n\n    - Python\n        - [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F)\n        - [Scikit-learn](http:\u002F\u002Fscikit-learn.org\u002F)\n        - [PyTorch](http:\u002F\u002Fpytorch.org\u002F)\n        - [Keras](https:\u002F\u002Fkeras.io\u002F)\n        - [MXNet](http:\u002F\u002Fmxnet.io\u002F)|[相关资源大列表](https:\u002F\u002Fgithub.com\u002Fchinakook\u002FAwesome-MXNet)\n        - [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org\u002F)\n        - [Caffe2](https:\u002F\u002Fcaffe2.ai\u002F)\n\n    - Java\n        - [Deeplearning4j](https:\u002F\u002Fdeeplearning4j.org\u002F)\n\n    - Matlab\n        - [Neural Network Toolbox](https:\u002F\u002Fcn.mathworks.com\u002Fhelp\u002Fnnet\u002Findex.html)\n        - [Deep Learning Toolbox](https:\u002F\u002Fcn.mathworks.com\u002Fmatlabcentral\u002Ffileexchange\u002F38310-deep-learning-toolbox)\n\n- - -\n\n\n## 文档 notes\n\n- [综述文章汇总](https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning\u002Fblob\u002Fmaster\u002Fnotes\u002Fsurvey_readme.md)\n\n- [近200篇机器学习资料汇总！](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F26136757)\n\n- [机器学习入门资料](https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning\u002Fblob\u002Fmaster\u002Fnotes\u002FMLMaterials.md)\n\n- [MIT.Introduction to Machine Learning](http:\u002F\u002Fddl.escience.cn\u002Ff\u002FIwtu)\n\n- [东京大学同学做的人机交互报告](https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning\u002Fblob\u002Fmaster\u002Fnotes\u002FFieldResearchinChina927-104.pdf)\n\n- [人机交互简介](https:\u002F\u002Fgithub.com\u002Fjindongwang\u002FHCI)\n\n- [人机交互与创业论坛](https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning\u002Fblob\u002Fmaster\u002Fnotes\u002F%E4%BA%BA%E6%9C%BA%E4%BA%A4%E4%BA%92%E4%B8%8E%E5%88%9B%E4%B8%9A%E8%AE%BA%E5%9D%9B.md)\n\n- [职场机器学习入门](https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning\u002Fblob\u002Fmaster\u002Fnotes\u002F%E8%81%8C%E5%9C%BA-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%85%A5%E9%97%A8.md)\n\n- [机器学习的发展历程及启示](http:\u002F\u002Fmt.sohu.com\u002F20170326\u002Fn484898474.shtml), (@Prof. Zhihua Zhang\u002F@张志华教授)\n\n- [常用的距离和相似度度量](https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning\u002Fblob\u002Fmaster\u002Fnotes\u002Fdistance%20and%20similarity.md)\n\n- - -\n\n\n## 课程与讲座 Course and talk\n\n### 机器学习 Machine Learning\n \n[台湾大学应用深度学习课程](https:\u002F\u002Fwww.csie.ntu.edu.tw\u002F~yvchen\u002Ff106-adl\u002Findex.html)\n\n- [神经网络，机器学习，算法，人工智能等 30 门免费课程详细清单](http:\u002F\u002Fwww.datasciencecentral.com\u002Fprofiles\u002Fblogs\u002Fneural-networks-for-machine-learning)\n  \n- [斯坦福机器学习入门课程](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning)，讲师为Andrew Ng，适合数学基础一般的人，适合入门，但是学完会发现只是懂个大概，也就相当于什么都不懂。省略了很多机器学习的细节\n\n- [Neural Networks for Machine Learning](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fneural-networks), Coursera上的著名课程，由Geoffrey Hinton教授主讲。\n\n- [Stanford CS 229](http:\u002F\u002Fcs229.stanford.edu\u002Fmaterials.html), Andrew Ng机器学习课无阉割版，Notes比较详细\n\n- [CMU 10-702 Statistical Machine Learning](http:\u002F\u002Fwww.stat.cmu.edu\u002F~larry\u002F=sml\u002F), 讲师是Larry Wasserman，应该是统计系开的机器学习，非常数学化，第一节课就提到了RKHS(Reproducing Kernel Hilbert Space),建议数学出身的同学看或者是学过实变函数泛函分析的人看一看\n\n- [CMU 10-715 Advanced Introduction to Machine Learning](https:\u002F\u002Fwww.cs.cmu.edu\u002F~epxing\u002FClass\u002F10715\u002F)，同样是CMU phd级别的课，节奏快难度高\n\n- [机器学习基石](https:\u002F\u002Fwww.coursera.org\u002Fcourse\u002Fntumlone)（适合入门）。国立台湾大学[林轩田](https:\u002F\u002Fwww.coursera.org\u002Finstructor\u002Fhtlin)\n\n- [机器学习技法](https:\u002F\u002Fwww.coursera.org\u002Fcourse\u002Fntumltwo)（适合提高）。国立台湾大学[林轩田](https:\u002F\u002Fwww.coursera.org\u002Finstructor\u002Fhtlin)\n\n- [Machine Learning for Data Analysis](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning-data-analysis), Coursera上Wesleyan大学的Data Analysis and Interpretation专项课程第四课。\n\n- Max Planck Institute for Intelligent Systems Tübingen[德国马普所智能系统研究所2013的机器学习暑期学校视频](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLqJm7Rc5-EXFv6RXaPZzzlzo93Hl0v91E),仔细翻这个频道还可以找到2015的暑期学校视频\n\n- 知乎Live：[我们一起开始机器学习吧](https:\u002F\u002Fwww.zhihu.com\u002Flives\u002F792423196996546560)，[机器学习入门之特征工程](https:\u002F\u002Fwww.zhihu.com\u002Flives\u002F819543866939174912)\n\n### 深度学习 Machine Learning\n\n- 斯坦福大学Feifei Li教授的[CS231n系列深度学习课程](http:\u002F\u002Fcs231n.stanford.edu\u002F)。Feifei Li目前是Google的科学家，深度学习与图像识别方面的大牛。这门课的笔记可以看[这里](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F21930884)。\n\n- [CS224n: Natural Language Processing](http:\u002F\u002Fcs224n.stanford.edu). Course instructors: Chris Manning, Richard Socher.\n\n### 强化学习 Machine Learning\n\n- [CS 294 Deep Reinforcement Learning, Fall 2017](http:\u002F\u002Frll.berkeley.edu\u002Fdeeprlcourse\u002F). Course instructors: Sergey Levine, John Schulman, Chelsea Finn.\n\n- [UCL Course on RL](http:\u002F\u002Fwww0.cs.ucl.ac.uk\u002Fstaff\u002Fd.silver\u002Fweb\u002FTeaching.html)\n\n- [CS234: Reinforcement Learning](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs234\u002Findex.html). 暂无视频\n\n- - -\n\n\n## 相关书籍 reference book\n\n- [Hands on Machine Learning with Scikit-learn and Tensorflow](https:\u002F\u002Fmy.pcloud.com\u002Fpublink\u002Fshow?code=XZ9ev77Zk2l6xcMtfIhHm7mRKAYhISb6sl3k)\n\n- 入门读物 [The Elements of Statistical Learning(英文第二版),The Elements of Statistical Learning.pdf](http:\u002F\u002Fddl.escience.cn\u002Fff\u002FemZH)\n\n- [机器学习](https:\u002F\u002Fbook.douban.com\u002Fsubject\u002F26708119\u002F), (@Prof. Zhihua Zhou\u002F周志华教授)\n\n- [统计学习方法](https:\u002F\u002Fbook.douban.com\u002Fsubject\u002F10590856\u002F), (@Dr. Hang Li\u002F李航博士)\n\n- [一些Kindle读物](http:\u002F\u002Fddl.escience.cn\u002Ff\u002FIwWE):\n\n\t- 利用Python进行数据分析\n\n\t- 跟老齐学Python：从入门到精通\n\n\t- Python与数据挖掘 (大数据技术丛书) - 张良均\n\n\t- Python学习手册\n\n\t- Python性能分析与优化\n\n\t- Python数据挖掘入门与实践\n\n\t- Python数据分析与挖掘实战(大数据技术丛书) - 张良均\n\n\t- Python科学计算(第2版)\n\n\t- Python计算机视觉编程 [美] Jan Erik Solem\n\n\t- python核心编程(第三版)\n\n\t- Python核心编程（第二版）\n\n\t- Python高手之路 - [法] 朱利安·丹乔（Julien Danjou）\n\n\t- Python编程快速上手 让繁琐工作自动化\n\n\t- Python编程：从入门到实践\n\n\t- Python3 CookBook中文版\n\n\t- 终极算法机器学习和人工智能如何重塑世界 - [美 ]佩德罗·多明戈斯\n\n\t- 机器学习系统设计 (图灵程序设计丛书) - [美]Willi Richert & Luis Pedro Coelho\n\n\t- 机器学习实践指南：案例应用解析（第2版） (大数据技术丛书) - 麦好\n\n\t- 机器学习实践 测试驱动的开发方法 (图灵程序设计丛书) - [美] 柯克（Matthew Kirk）\n\n\t- 机器学习：实用案例解析\n  \n\n- [数学](https:\u002F\u002Fmega.nz\u002F#F!WVAlGL6B!mqIjYoTjiQnO4jBGVLRIWA\n):\n\n    - Algebra - Michael Artin\n\n    - Algebra - Serge Lang\n\n    - Basic Topology - M.A. Armstrong\n\n    - Convex Optimization by Stephen Boyd & Lieven Vandenberghe\n\n    - Functional Analysis by Walter Rudin\n\n    - Functional Analysis, Sobolev Spaces and Partial Differential Equations by Haim Brezis\n\n    - Graph Theory - J.A. Bondy, U.S.R. Murty\n\n    - Graph Theory - Reinhard Diestel\n\n    - Inside Interesting Integrals - Pual J. Nahin\n\n    - Linear Algebra and Its Applications - Gilbert Strang\n\n    - Linear and Nonlinear Functional Analysis with Applications - Philippe G. Ciarlet\n\n    - Mathematical Analysis I - Vladimir A. Zorich\n\n    - Mathematical Analysis II - Vladimir A. Zorich\n\n    - Mathematics for Computer Science - Eric Lehman, F Thomson Leighton, Alber R Meyer\n\n    - Matrix Cookbook, The - Kaare Brandt Petersen, Michael Syskind Pedersen\n\n    - Measures, Integrals and Martingales - René L. Schilling\n\n    - Principles of Mathematical Analysis - Walter Rudin\n\n    - Probabilistic Graphical Models: Principles and Techniques - Daphne Koller, Nir Friedman\n\n    - Probability: Theory and Examples - Rick Durrett\n\n    - Real and Complex Analysis - Walter Rudin\n\n    - Thomas' Calculus - George B. Thomas\n\n    - 普林斯顿微积分读本 - Adrian Banner\n\n\n- [Packt每日限免电子书精选](http:\u002F\u002Fddl.escience.cn\u002Ff\u002FIS4a):\n\n\t- Learning Data Mining with Python\n\n\t- Matplotlib for python developers\n\n\t- Machine Learing with Spark\n\n\t- Mastering R for Quantitative Finance\n\n\t- Mastering matplotlib\n\n\t- Neural Network Programming with Java\n\n\t- Python Machine Learning\n\n\t- R Data Visualization Cookbook\n\n\t- R Deep Learning Essentials\n\n\t- R Graphs Cookbook second edition\n\n\t- D3.js By Example \n\n\t- Data Analysis With R\n\n\t- Java Deep Learning Essentials\n\n\t- Learning Bayesian Models with R\n\n\t- Learning Pandas\n\n\t- Python Parallel Programming Cookbook\n\n\t- Machine Learning with R\n\n---\n\n\n## 其他 Miscellaneous\n\n- [机器学习日报](http:\u002F\u002Fforum.ai100.com.cn\u002F)：每天更新学术和工业界最新的研究成果\n\n- [机器之心](https:\u002F\u002Fwww.jiqizhixin.com\u002F)\n\n- [集智社区](https:\u002F\u002Fjizhi.im\u002Findex)\n\n- - -\n\n\n## 如何加入 How to contribute\n\n如果你对本项目感兴趣，非常欢迎你加入！\n\n- 正常参与：请直接fork、pull都可以\n- 如果要上传文件：请**不要**直接上传到项目中，否则会造成git版本库过大。正确的方法是上传它的**超链接**。如果你要上传的文件本身就在网络中（如paper都会有链接），直接上传即可；如果是自己想分享的一些文件、数据等，鉴于国内网盘的情况，请按照如下方式上传：\n\t- (墙内)目前没有找到比较好的方式，只能通过链接，或者自己网盘的链接来做。\n\t- (墙外)首先在[UPLOAD](https:\u002F\u002Fmy.pcloud.com\u002F#page=puplink&code=4e9Z0Vwpmfzvx0y2OqTTTMzkrRUz8q9V)直接上传（**不**需要注册账号）；上传成功后，在[DOWNLOAD](https:\u002F\u002Fmy.pcloud.com\u002Fpublink\u002Fshow?code=kZWtboZbDDVguCHGV49QkmlLliNPJRMHrFX)里找到你刚上传的文件，共享链接即可。\n\n\n\n## 如何开始项目协同合作\n\n[快速了解github协同工作](http:\u002F\u002Fhucaihua.cn\u002F2016\u002F12\u002F02\u002Fgithub_cooperation\u002F)\n\n[及时更新fork项目](https:\u002F\u002Fjinlong.github.io\u002F2015\u002F10\u002F12\u002Fsyncing-a-fork\u002F)\n\n\n#### [贡献者 Contributors](https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning\u002Fblob\u002Fmaster\u002Fcontributors.md)\n\n\n\n\n\n\n\n\n\n\n","# 机器学习资源 (Machine Learning Resources)\n\n*本项目已更新，请移步到[这里](https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning)参与我们最新的机器学习开源项目。*\n\n*快速入门指南：* \n- 周志华的[《机器学习》](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1hscnaQC)作为通读教材，无需深入，从宏观上了解机器学习\n\n- 李航的[《统计学习方法》](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1dF2b4jf)作为经典的深入案例，仔细研究几个算法的来龙去脉 | [书中的代码实现](https:\u002F\u002Fgithub.com\u002FWenDesi\u002Flihang_book_algorithm)\n\n- 使用 Python 语言，根据[《机器学习实战》](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1gfzV7PL)快速上手写程序\n\n- 吴恩达的最新深度学习课程资源：https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-06-21-6\n\n- 参照 YouTube 机器学习红人 Sir\n\n### 机器学习 Machine Learning\n\n[台湾大学应用深度学习课程](https:\u002F\u002Fwww.csie.ntu.edu.tw\u002F~yvchen\u002Ff106-adl\u002Findex.html)\n\n- [神经网络，机器学习，算法，人工智能等 30 门免费课程详细清单](http:\u002F\u002Fwww.datasciencecentral.com\u002Fprofiles\u002Fblogs\u002Fneural-networks-for-machine-learning)\n \n- [斯坦福机器学习入门课程](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning)，讲师为 Andrew Ng，适合数学基础一般的人，适合入门，但是学完会发现只是懂个大概，也就相当于什么都不懂。省略了很多机器学习的细节\n\n- [Neural Networks for Machine Learning](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fneural-networks), Coursera 上的著名课程，由 Geoffrey Hinton 教授主讲。\n\n- [Stanford CS 229](http:\u002F\u002Fcs229.stanford.edu\u002Fmaterials.html), Andrew Ng 机器学习课无阉割版，Notes 比较详细\n\n- [CMU 10-702 Statistical Machine Learning](http:\u002F\u002Fwww.stat.cmu.edu\u002F~larry\u002F=sml\u002F), 讲师是 Larry Wasserman，应该是统计系开的机器学习，非常数学化，第一节课就提到了 RKHS(Reproducing Kernel Hilbert Space),建议数学出身的同学看或者是学过实变函数泛函分析的人看一看\n\n- [CMU 10-715 Advanced Introduction to Machine Learning](https:\u002F\u002Fwww.cs.cmu.edu\u002F~epxing\u002FClass\u002F10715\u002F)，同样是 CMU phd 级别的课，节奏快难度高\n\n- [机器学习基石](https:\u002F\u002Fwww.coursera.org\u002Fcourse\u002Fntumlone)（适合入门）。国立台湾大学 [林轩田](https:\u002F\u002Fwww.coursera.org\u002Finstructor\u002Fhtlin)\n\n- [机器学习技法](https:\u002F\u002Fwww.coursera.org\u002Fcourse\u002Fntumltwo)（适合提高）。国立台湾大学 [林轩田](https:\u002F\u002Fwww.coursera.org\u002Finstructor\u002Fhtlin)\n\n- [Machine Learning for Data Analysis](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning-data-analysis), Coursera 上 Wesleyan 大学的 Data Analysis and Interpretation 专项课程第四课。\n\n- Max Planck Institute for Intelligent Systems Tübingen[德国马普所智能系统研究所 2013 的机器学习暑期学校视频](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLqJm7Rc5-EXFv6RXaPZzzlzo93Hl0v91E),仔细翻这个频道还可以找到 2015 的暑期学校视频\n\n- 知乎 Live：[我们一起开始机器学习吧](https:\u002F\u002Fwww.zhihu.com\u002Flives\u002F792423196996546560)，[机器学习入门之特征工程](https:\u002F\u002Fwww.zhihu.com\u002Flives\u002F819543866939174912)\n\n### 深度学习 Deep Learning\n\n- 斯坦福大学 Feifei Li 教授的 [CS231n 系列深度学习课程](http:\u002F\u002Fcs231n.stanford.edu\u002F)。Feifei Li 目前是 Google 的科学家，深度学习与图像识别方面的大牛。这门课的笔记可以看 [这里](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F21930884)。\n\n- [CS224n: Natural Language Processing](http:\u002F\u002Fcs224n.stanford.edu). 课程讲师：Chris Manning, Richard Socher.\n\n### 强化学习 Reinforcement Learning\n\n- [CS 294 Deep Reinforcement Learning, Fall 2017](http:\u002F\u002Frll.berkeley.edu\u002Fdeeprlcourse\u002F). 课程讲师：Sergey Levine, John Schulman, Chelsea Finn.\n\n- [UCL Course on RL](http:\u002F\u002Fwww0.cs.ucl.ac.uk\u002Fstaff\u002Fd.silver\u002Fweb\u002FTeaching.html)\n\n- [CS234: Reinforcement Learning](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs234\u002Findex.html). 暂无视频\n\n- - -\n\n\n## 参考书籍 Reference Books\n\n- [Hands on Machine Learning with Scikit-learn and Tensorflow](https:\u002F\u002Fmy.pcloud.com\u002Fpublink\u002Fshow?code=XZ9ev77Zk2l6xcMtfIhHm7mRKAYhISb6sl3k)\n\n- 入门读物 [The Elements of Statistical Learning(英文第二版),The Elements of Statistical Learning.pdf](http:\u002F\u002Fddl.escience.cn\u002Fff\u002FemZH)\n\n- [机器学习](https:\u002F\u002Fbook.douban.com\u002Fsubject\u002F26708119\u002F), (@Prof. Zhihua Zhou\u002F周志华教授)\n\n- [统计学习方法](https:\u002F\u002Fbook.douban.com\u002Fsubject\u002F10590856\u002F), (@Dr. Hang Li\u002F李航博士)\n\n- [一些 Kindle 读物](http:\u002F\u002Fddl.escience.cn\u002Ff\u002FIwWE):\n\n\t- 利用 Python 进行数据分析\n\n\t- 跟老齐学 Python：从入门到精通\n\n\t- Python 与数据挖掘 (大数据技术丛书) - 张良均\n\n\t- Python 学习手册\n\n\t- Python 性能分析与优化\n\n\t- Python 数据挖掘入门与实践\n\n\t- Python 数据分析与挖掘实战 (大数据技术丛书) - 张良均\n\n\t- Python 科学计算 (第 2 版)\n\n\t- Python 计算机视觉编程 [美] Jan Erik Solem\n\n\t- python 核心编程 (第三版)\n\n\t- Python 核心编程（第二版）\n\n\t- Python 高手之路 - [法] 朱利安·丹乔（Julien Danjou）\n\n\t- Python 编程快速上手 让繁琐工作自动化\n\n\t- Python 编程：从入门到实践\n\n\t- Python3 CookBook 中文版\n\n\t- 终极算法机器学习和人工智能如何重塑世界 - [美 ] 佩德罗·多明戈斯\n\n\t- 机器学习系统设计 (图灵程序设计丛书) - [美] Willi Richert & Luis Pedro Coelho\n\n\t- 机器学习实践指南：案例应用解析（第 2 版） (大数据技术丛书) - 麦好\n\n\t- 机器学习实践 测试驱动的开发方法 (图灵程序设计丛书) - [美] 柯克（Matthew Kirk）\n\n\t- 机器学习：实用案例解析\n  \n\n- [数学](https:\u002F\u002Fmega.nz\u002F#F!WVAlGL6B!mqIjYoTjiQnO4jBGVLRIWA\n):\n\n    - Algebra - Michael Artin\n\n    - Algebra - Serge Lang\n\n    - Basic Topology - M.A. Armstrong\n\n    - Convex Optimization by Stephen Boyd & Lieven Vandenberghe\n\n    - Functional Analysis by Walter Rudin\n\n    - Functional Analysis, Sobolev Spaces and Partial Differential Equations by Haim Brezis\n\n    - Graph Theory - J.A. Bondy, U.S.R. Murty\n\n    - Graph Theory - Reinhard Diestel\n\n    - Inside Interesting Integrals - Pual J. Nahin\n\n    - Linear Algebra and Its Applications - Gilbert Strang\n\n    - Linear and Nonlinear Functional Analysis with Applications - Philippe G. Ciarlet\n\n    - Mathematical Analysis I - Vladimir A. Zorich\n\n    - Mathematical Analysis II - Vladimir A. Zorich\n\n    - Mathematics for Computer Science - Eric Lehman, F Thomson Leighton, Alber R Meyer\n\n    - Matrix Cookbook, The - Kaare Brandt Petersen, Michael Syskind Pedersen\n\n    - Measures, Integrals and Martingales - René L. Schilling\n\n    - Principles of Mathematical Analysis - Walter Rudin\n\n    - Probabilistic Graphical Models: Principles and Techniques - Daphne Koller, Nir Friedman\n\n    - Probability: Theory and Examples - Rick Durrett\n\n    - Real and Complex Analysis - Walter Rudin\n\n    - Thomas' Calculus - George B. Thomas\n\n    - 普林斯顿微积分读本 - Adrian Banner\n\n\n- [Packt 每日限免电子书精选](http:\u002F\u002Fddl.escience.cn\u002Ff\u002FIS4a):\n\n\t- Learning Data Mining with Python\n\n\t- Matplotlib for python developers\n\n\t- Machine Learing with Spark\n\n\t- Mastering R for Quantitative Finance\n\n\t- Mastering matplotlib\n\n\t- Neural Network Programming with Java\n\n\t- Python Machine Learning\n\n\t- R Data Visualization Cookbook\n\n\t- R Deep Learning Essentials\n\n\t- R Graphs Cookbook second edition\n\n\t- D3.js By Example \n\n\t- Data Analysis With R\n\n\t- Java Deep Learning Essentials\n\n\t- Learning Bayesian Models with R\n\n\t- Learning Pandas\n\n\t- Python Parallel Programming Cookbook\n\n\t- Machine Learning with R\n\n---\n\n\n## 其他 Miscellaneous\n\n- [机器学习日报](http:\u002F\u002Fforum.ai100.com.cn\u002F)：每天更新学术和工业界最新的研究成果\n\n- [机器之心](https:\u002F\u002Fwww.jiqizhixin.com\u002F)\n\n- [集智社区](https:\u002F\u002Fjizhi.im\u002Findex)\n\n- - -\n\n\n## 如何贡献 How to Contribute\n\n如果你对本项目感兴趣，非常欢迎你加入！\n\n- 正常参与：请直接 fork、pull 都可以\n- 如果要上传文件：请**不要**直接上传到项目中，否则会造成 git 版本库过大。正确的方法是上传它的**超链接**。如果你要上传的文件本身就在网络中（如 paper 都会有链接），直接上传即可；如果是自己想分享的一些文件、数据等，鉴于国内网盘的情况，请按照如下方式上传：\n\t- (墙内)目前没有找到比较好的方式，只能通过链接，或者自己网盘的链接来做。\n\t- (墙外)首先在 [UPLOAD](https:\u002F\u002Fmy.pcloud.com\u002F#page=puplink&code=4e9Z0Vwpmfzvx0y2OqTTTMzkrRUz8q9V) 直接上传（**不**需要注册账号）；上传成功后，在 [DOWNLOAD](https:\u002F\u002Fmy.pcloud.com\u002Fpublink\u002Fshow?code=kZWtboZbDDVguCHGV49QkmlLliNPJRMHrFX) 里找到你刚上传的文件，共享链接即可。\n\n\n\n## 如何开始项目协同合作\n\n[快速了解 github 协同工作](http:\u002F\u002Fhucaihua.cn\u002F2016\u002F12\u002F02\u002Fgithub_cooperation\u002F)\n\n[及时更新 fork 项目](https:\u002F\u002Fjinlong.github.io\u002F2015\u002F10\u002F12\u002Fsyncing-a-fork\u002F)\n\n\n#### [贡献者 Contributors](https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning\u002Fblob\u002Fmaster\u002Fcontributors.md)","# MachineLearning 快速上手指南\n\n> **重要提示**：根据项目说明，本项目已更新。建议优先访问最新的机器学习开源项目以获取最新资源。本指南基于当前仓库内容整理，适用于本地构建个人知识库。\n\n## 环境准备\n\n本项目为机器学习资源集合库，无需复杂的软件依赖，但为了有效利用其中的代码示例和教程，建议准备以下环境：\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **版本控制工具**：Git (用于克隆仓库)\n- **编程语言环境**：Python 3.x (推荐安装 Anaconda 或 Miniconda)\n- **网络环境**：需访问 GitHub 及外部课程平台（部分国外资源可能需要网络加速）\n- **存储介质**：建议预留足够空间下载书籍、数据集及视频资源（部分资源提供百度网盘国内镜像）\n\n## 安装步骤\n\n由于本项目是一个资源索引仓库，您只需将其克隆到本地即可开始使用。\n\n1. 打开终端，执行以下命令克隆仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fallmachinelearning\u002FMachineLearning.git\n```\n\n2. 进入项目目录：\n```bash\ncd MachineLearning\n```\n\n3. （可选）查看项目结构，重点关注 `notes\u002F` 文件夹下的文档资料。\n\n## 基本使用\n\n### 1. 浏览资源索引\n直接打开项目根目录下的 `README.md` 文件，按照分类浏览资源。主要包含以下几个核心板块：\n- **快速开始学习**：精选教材与视频课程链接。\n- **研究领域资源细分**：涵盖深度学习、强化学习、NLP 等方向。\n- **预备知识**：数学基础与编程技能（Python\u002FR）。\n- **课程与讲座**：国内外名校公开课链接。\n\n### 2. 启动学习路径\n建议按照以下顺序进行学习和实践：\n\n- **宏观了解**：阅读周志华《机器学习》作为通读教材。\n- **深入算法**：研究李航《统计学习方法》，参考其代码实现：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FWenDesi\u002Flihang_book_algorithm\n```\n- **实战编码**：根据《机器学习实战》使用 Python 编写程序。\n- **框架应用**：选择 TensorFlow 或 PyTorch 进行深度学习开发：\n```bash\n# 参考 TensorFlow 示例\ngit clone https:\u002F\u002Fgithub.com\u002Faymericdamien\u002FTensorFlow-Examples\n```\n\n### 3. 数据与竞赛实战\n- 注册并登录 **Kaggle** 竞赛平台，完成入门题目。\n- 下载 Kaggle 提供的友好数据集进行练手：\n[ML Friendly Public Datasets](https:\u002F\u002Fwww.kaggle.com\u002Fannavictoria\u002Fml-friendly-public-datasets\u002Fnotebook)\n\n### 4. 贡献与协作\n如果您希望参与项目维护或添加新资源：\n- 直接 Fork 项目并提交 Pull Request。\n- 上传文件时请勿直接上传大文件，建议使用超链接方式分享（如网盘链接或 GitHub 仓库链接）。","一名刚转行数据科学的新人计划开发用户流失预测模型，但面对繁杂的技术栈感到迷茫。\n\n### 没有 MachineLearning 时\n- 网上信息碎片化严重，花费大量时间筛选高质量的学习资源，容易走弯路。\n- 缺乏系统的数学预备知识，线性代数和概率论基础薄弱导致算法原理难以理解。\n- 只有理论概念没有代码参考，无法将算法思路转化为实际可运行的程序。\n- 找不到合适的实战项目，难以验证所学知识是否真正掌握，缺乏成就感。\n\n### 使用 MachineLearning 后\n- 依据其推荐的路线图，按顺序阅读周志华和李航的经典著作建立宏观认知。\n- 获取了 MIT 线性代数笔记及概率统计手册，补齐了必要的数学短板并理解推导。\n- 直接使用仓库中整理的 Python 算法实现代码，快速搭建模型原型并修改调优。\n- 参照建议进入 Kaggle 平台参与入门竞赛，利用真实数据完成端到端实践提升技能。\n\nMachineLearning 整合了从理论基础到工程实战的全链路资源，让初学者能高效构建完整的机器学习能力体系。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjindongwang_MachineLearning_624bbfdd.png","jindongwang","Jindong Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjindongwang_e681bbd4.jpg","Senior Researcher at Microsoft Research. Research interest: robust machine learning, transfer learning, out-of-distribution generalization, general ML.","@microsoft","Beijing, China","jindongwang@outlook.com","jd92wang","http:\u002F\u002Fwww.jd92.wang","https:\u002F\u002Fgithub.com\u002Fjindongwang",null,2009,622,"2026-04-02T08:32:53",1,"未说明",{"notes":92,"python":90,"dependencies":93},"本仓库为机器学习资源聚合列表（Resource Collection），并非独立的可运行软件包，因此无特定的运行环境要求。内容包含书籍、课程、数据集及第三方代码库的超链接。若需使用其中推荐的技术栈（如 TensorFlow, PyTorch, Scikit-learn, Caffe 等），用户需自行安装对应框架并配置环境。",[],[13],[96,97,98],"machine-learning","transfer-learning","activity-recognition","2026-03-27T02:49:30.150509","2026-04-06T07:01:02.279722",[102,107],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},3390,"文档中强化学习相关的链接无法打开并显示 404 错误，该怎么办？","维护者反馈该链接目前已经恢复正常，可以直接访问。","https:\u002F\u002Fgithub.com\u002Fjindongwang\u002FMachineLearning\u002Fissues\u002F3",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},3391,"使用本仓库的 GFK 算法 MATLAB 代码时报错（如矩阵维度不匹配）如何处理？","维护者指出 GFK 算法代码应位于专门的 transfer learning 仓库下。如果在当前仓库遇到此类问题，建议前往该 transfer learning 仓库提交 Issue 以获取针对该算法的正确支持和解决方案。","https:\u002F\u002Fgithub.com\u002Fjindongwang\u002FMachineLearning\u002Fissues\u002F2",[]]