machine-learning-cheat-sheet
machine-learning-cheat-sheet 是一份专为机器学习领域打造的开源速查手册，汇集了该学科中经典的数学公式、核心方程与关键图表。在机器学习知识体系庞大且复杂的背景下，它有效解决了从业者难以快速回顾理论基础、或在面试准备阶段缺乏系统化复习资料的痛点。通过高度浓缩的视觉化呈现，用户能迅速唤醒对算法原理的记忆，提升学习与工作效率。
这份资源特别适合机器学习开发者、数据科学家、高校研究人员以及正在备战相关技术岗位的求职者使用。无论是日常工作中的灵感查阅，还是系统性的考前突击，它都能提供精准的知识索引。其独特的技术亮点在于采用了专业的 Springer LaTeX 模板进行排版，不仅确保了数学公式渲染的严谨性与美观度，还开放了完整的编译源码。用户既可以直接下载现成的 PDF 版本即刻使用，也能通过 Docker 或本地 TeX 环境自行编译，甚至基于此模板二次开发属于自己的知识库，兼具实用性与极高的可扩展性。
使用场景
一名算法工程师正在紧急备战某大厂的机器学习岗位面试，需要在短时间内系统回顾各类经典模型公式与推导逻辑。
没有 machine-learning-cheat-sheet 时
- 资料检索零散低效：需要在教科书、博客和论文之间反复切换搜索，难以快速定位支持向量机或神经网络的精确数学表达。
- 核心公式记忆模糊：面对反向传播推导或贝叶斯决策理论等复杂公式，仅凭记忆容易混淆变量定义，导致手写推导时频频卡壳。
- 知识体系缺乏全景：脑海中知识点呈碎片化分布，缺少一张可视化的“地图”来串联不同算法间的联系与区别。
- 复习重点难以把握：在海量文献中迷失方向，无法快速识别出面试官最爱考察的经典方程与核心图表。
使用 machine-learning-cheat-sheet 后
- 一站式精准查阅：直接打开 PDF，即可在几秒内找到涵盖分类、回归、聚类等所有经典算法的标准方程与原理图。
- 公式推导准确无误：对照书中清晰的 LaTeX 排版公式，迅速纠正记忆偏差，确保面试板演时符号规范、逻辑严密。
- 构建完整知识图谱：借助其系统化的章节编排，快速理清从线性模型到深度学习的演进脉络，形成结构化的认知框架。
- 聚焦高频考点：利用其精选的经典内容特性，集中攻克最高频的面试题型，将原本需要数天的资料整理时间压缩至几小时。
machine-learning-cheat-sheet 将零散的机器学习知识浓缩为一份精准的速查指南，极大提升了技术复习与实战应用的效率。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
机器学习速查表
本速查表包含大量机器学习领域的经典公式和图表，可帮助您快速回顾机器学习的相关知识与思路。
此外，这份速查表也非常适合正在准备机器学习相关职位面试的人士使用。
下载 PDF
machine-learning-cheat-sheet.pdf
编译方法
docker pull soulmachine/texlive
docker run -it --rm -v $(pwd):/data -w /data soulmachine/texlive xelatex -synctex=1 --enable-write18 -interaction=nonstopmode machine-learning-cheat-sheet.tex
LaTeX 模板
本开源书籍采用了 Springer LaTeX 模板。
在 Windows 上编译的方法
安装 Tex Live 2014 后，将其
bin路径（例如D:\texlive\2012\bin\win32）添加到系统的 PATH 环境变量中。安装 TeXstudio。
配置 TeXstudio。
打开 TeXstudio，依次点击Options-->Configure Texstudio-->Commands，将XeLaTex设置为xelatex -synctex=1 -interaction=nonstopmode %.tex。再点击
Options-->Configure Texstudio-->Build，
将Build & View设置为Compile & View，
将Default Compiler设置为XeLaTex，
将PDF Viewer设置为Internal PDF Viewer(windowed)，这样预览时会弹出一个独立窗口，更加方便。编译。用 TeXstudio 打开
machine-learning-cheat-sheet.tex文件，点击菜单栏上的绿色箭头，即可开始编译。
在下方的消息窗口中，我们可以看到 TeXstudio 使用的编译命令是xelatex -synctex=1 --enable-write18 -interaction=nonstopmode "machine-learning-cheat-sheet".tex。
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。
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。
scikit-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。 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。 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
keras
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。 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。 Keras 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。