machinelearning
machinelearning 是知名技术博主刘建平（Pinard）为其系列机器学习博客整理的配套代码仓库。该项目旨在解决读者在学习博客文章时，面对零散代码片段难以系统运行和复现的痛点，将理论与实战代码进行了系统化整合。
内容覆盖极其全面，不仅包含机器学习基础、回归、分类、聚类、降维、集成学习等传统算法，还深入探讨了深度学习、自然语言处理以及篇幅宏大的强化学习专题（如 DQN、A3C、DDPG 及 AlphaGo Zero 原理等）。此外，项目还涉及数学统计、特征工程及算法落地等关键环节。大部分核心算法均提供了基于 Python 和 scikit-learn 等主流库的可执行代码，部分早期代码已适配 Python 3.6 环境。
machinelearning 非常适合机器学习开发者、算法研究人员以及高校学生使用。对于希望从理论推导过渡到代码实现的初学者，它提供了极佳的“文章 + 代码”对照学习路径；对于从业者，它则是一份涵盖经典与现代算法的实用参考手册。其独特的价值在于将深奥的算法原理通过清晰的中文讲解与规范的代码实现相结合，尤其是强化学习部分的系统性整理，在中文开源社区中具有较高的参考价值。
使用场景
一位数据科学初学者正在自学强化学习，试图复现经典的 Q-Learning 和 DQN 算法以完成课程项目。
没有 machinelearning 时
- 阅读刘建平 Pinard 的博客文章时，只能看到零散的代码片段，无法直接运行，必须手动拼接和调试。
- 不同年份的文章对应不同的 Python 版本（2.7 与 3.6），自行迁移代码时常因
print语法或range用法差异报错，浪费大量时间在环境配置上。 - 缺乏完整的工程化示例，难以理解从理论公式到“ windy world"等具体环境落地的完整逻辑，导致学习曲线极其陡峭。
- 找不到权威的实现参考，无法确认自己编写的算法（如 SARSA 或 Actor-Critic）是否正确，调试过程如同盲人摸象。
使用 machinelearning 后
- 直接获取与博客文章一一对应的完整源代码仓库，无需手动拼凑，克隆即可运行，立即验证理论效果。
- 作者已统一将旧代码重构为 Python 3.6 版本，消除了版本兼容性障碍，让学习者能专注于算法逻辑而非语法修正。
- 提供了从基础回归到前沿 A3C、DDPG 等复杂算法的落地实例，清晰展示了特征工程与环境交互的实现细节。
- 依托高质量的开源实现作为“标准答案”，快速比对并修正自己的模型偏差，大幅缩短了从理解原理到掌握实战的周期。
machinelearning 将碎片化的博客理论转化为可执行的工程代码，彻底打通了机器学习从“读懂”到“跑通”的最后一公里。
运行环境要求
- Windows
- Linux
- macOS
未说明
未说明
快速开始
刘建平Pinard的博客配套代码
http://www.cnblogs.com/pinard 刘建平Pinard
之前不少朋友反应我博客中的代码都是连续的片段，不好学习，因此这里把文章和代码做一个整理。 代码有部分来源于网络，已加上相关方版权信息。部分为自己原创，已加上我的版权信息。
目录
注意
2016-2017年写的博客使用的python版本是2.7， 2018年因为TensorFlow对Python3的一些要求，所以写博客使用的Python版本是3.6。少部分2016，2017年的博客代码无法找到，重新用Python3.6跑过上传，因此可能会出现和博客中代码稍有不一致的地方，主要涉及到print的语法和range的用法，若遇到问题，稍微修改即可跑通。
赞助我
强化学习文章与代码：:
机器学习基础与回归算法文章与代码：
机器学习分类算法文章与代码：
数学统计学文章与代码：
机器学习集成学习文章与代码：
| 文章 | 代码 |
|---|---|
| 集成学习原理小结 | 无 |
| 集成学习之Adaboost算法原理小结 | 无 |
| scikit-learn Adaboost类库使用小结 | 代码 |
| 梯度提升树(GBDT)原理小结 | 无 |
| scikit-learn 梯度提升树(GBDT)调参小结 | 代码 |
| Bagging与随机森林算法原理小结 | 无 |
| scikit-learn随机森林调参小结 | 代码 |
| XGBoost算法原理小结 | 无 |
| XGBoost类库使用小结 | 代码 |
机器学习聚类算法文章与代码：
| 文章 | 代码 |
|---|---|
| K-Means聚类算法原理 | 无 |
| 用scikit-learn学习K-Means聚类 | 代码 |
| BIRCH聚类算法原理 | 无 |
| 用scikit-learn学习BIRCH聚类 | 代码 |
| DBSCAN密度聚类算法 | 无 |
| 用scikit-learn学习DBSCAN聚类 | 代码 |
| 谱聚类（spectral clustering）原理总结 | 无 |
| 用scikit-learn学习谱聚类 | 代码 |
机器学习降维算法文章与代码：
| 文章 | 代码 |
|---|---|
| 主成分分析（PCA）原理总结 | 无 |
| 用scikit-learn学习主成分分析(PCA) | 代码 |
| 线性判别分析LDA原理总结 | 无 |
| 用scikit-learn进行LDA降维 | 代码 |
| 奇异值分解(SVD)原理与在降维中的应用 | 无 |
| 局部线性嵌入(LLE)原理总结 | 无 |
| 用scikit-learn研究局部线性嵌入(LLE) | 代码 |
机器学习关联算法文章与代码：
| 文章 | 代码 |
|---|---|
| 典型关联分析(CCA)原理总结 | 无 |
| Apriori算法原理总结 | 无 |
| FP Tree算法原理总结 | 无 |
| PrefixSpan算法原理总结 | 无 |
| 用Spark学习FP Tree算法和PrefixSpan算法 | 代码 |
| 日志和告警数据挖掘经验谈 | 无 |
机器学习推荐算法文章与代码：
| 文章 | 代码 |
|---|---|
| 协同过滤推荐算法总结 | 无 |
| 矩阵分解在协同过滤推荐算法中的应用 | 无 |
| SimRank协同过滤推荐算法 | 无 |
| 用Spark学习矩阵分解推荐算法 | 代码 |
| 分解机(Factorization Machines)推荐算法原理 | 无 |
| 贝叶斯个性化排序(BPR)算法小结 | 无 |
| 用tensorflow学习贝叶斯个性化排序(BPR) | 代码 |
深度学习算法文章与代码：
自然语言处理文章与代码：
特征工程与算法落地文章与代码：
| 文章 | 代码 |
|---|---|
| 特征工程之特征选择 | 无 |
| 特征工程之特征表达 | 无 |
| 特征工程之特征预处理 | 无 |
| 用PMML实现机器学习模型的跨平台上线 | 代码 |
| tensorflow机器学习模型的跨平台上线 | 代码 |
赞助我
你的支持是我写作的动力(1.微信/2.支付宝)：
许可证：MIT。
常见问题
相似工具推荐
ML-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。 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。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
ragflow
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。 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。 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。
PaddleOCR
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。 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。 PaddleOCR 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。
awesome-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。 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。 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。