教程

请注意，本仓库中包含的代码仅受“LICENSE”文件中所载的 MIT 许可证约束。本仓库中列出的所有教程、文章和书籍均归 Towards AI, Inc. 所有。

欢迎随时贡献内容。我们将不定期审核您的拉取请求。如果您希望与我们的数据科学家合作撰写编辑类教程，请通过 editor@towardsai.net 联系我们，并抄送至 pub@towardsai.net。

如需直接向 Towards AI 投稿，请查看我们的投稿指南。

加入我们的AI 社区。

如果您希望支持 Towards AI，请通过购买我们的一本书（见下文）、或赞助这项开源工作来支持我们：buy one of our books 或 sponsoring this open-source work。

感谢您的阅读与对 Towards AI 的支持！

您可以免费访问任何教程。

条款 | 隐私政策

---

面向初学者的机器学习算法：附 Python 代码示例

从零开始构建神经网络：附 Python 代码与详细数学推导 — I

构建神经网络：附 Python 代码与详细数学推导 — II

自然语言处理 (NLP) 与 Python — 教程

蒙特卡洛模拟深度教程：附 Python 示例

生存分析与 Python 教程 — 方法、内容、时机与原因

概率分布的矩生成函数：附 Python 教程

伯努利分布 — 概率教程：附 Python 示例

基于协同过滤的推荐系统教程：附 Python 代码

深度学习与机器学习中的线性代数：Python 教程

主成分分析 (PCA) 与 Python 示例 — 教程

机器学习中的决策树：附 Python 教程

卷积神经网络 (CNNs) 教程：附 Python 示例

情感分析（观点挖掘）与 Python — NLP 教程

机器学习入门：梯度下降法 — 附 Python 教程

随机数生成器教程：附 Python 示例

什么是深度学习？

遗传算法 (GA) 入门：附示例代码

K 最近邻 (KNN) 算法教程 — 机器学习基础

什么是 GPU？深度学习是否需要 GPU？

书籍

面向数据驱动决策的描述性统计：附 Python 示例

赞助商

特别感谢 C4H3I LLC 在 2022 年 6 月对我们的赞助！

Towards AI Tutorials 快速上手指南

本仓库是 Towards AI 官方提供的机器学习、深度学习及数据科学教程代码集合。请注意，仅本仓库中的代码文件遵循 MIT 许可证，所有教程文章、书籍内容归 Towards AI, Inc. 所有。

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 3.8 及以上版本
• 前置依赖：
  • pip (Python 包管理工具)
  • git (用于克隆仓库)
  • 核心科学计算库（教程中常用）：numpy, pandas, matplotlib, scikit-learn, tensorflow 或 pytorch

提示：建议创建独立的虚拟环境以避免依赖冲突。

python -m venv ai-tutorials-env
# Windows
ai-tutorials-env\Scripts\activate
# macOS/Linux
source ai-tutorials-env/bin/activate

安装步骤

1. 克隆仓库 将教程代码仓库克隆到本地：

   git clone https://github.com/towardsai/tutorials.git
   cd tutorials
   

2. 安装依赖 由于不同教程可能依赖不同的库，建议根据具体教程目录下的 requirements.txt（如果有）进行安装。若无特定文件，可安装通用的数据科学基础包：

   使用国内镜像源加速安装（推荐中国开发者使用）：

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

   若需运行深度学习相关教程（如 CNN、神经网络），请额外安装：

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow torch torchvision
   

基本使用

本仓库包含多个独立教程，涵盖从基础算法到高级神经网络的实现。使用流程如下：

1. 选择教程 浏览仓库目录或访问 Towards AI 官网教程列表，找到您感兴趣的主题（例如：机器学习入门、神经网络从零构建、NLP 等）。

2. 定位代码 进入对应的文件夹，找到 .py 脚本或 .ipynb (Jupyter Notebook) 文件。

3. 运行示例 以运行一个简单的机器学习算法为例（假设当前位于对应教程目录）：

   • 运行 Python 脚本：

     python tutorial_script.py
     

   • 启动 Jupyter Notebook 进行交互式学习：

     jupyter notebook
     

     在浏览器中打开对应的 .ipynb 文件，按顺序执行单元格即可复现教程中的数学推导与代码结果。

4. 参与贡献 如果您希望提交代码改进或撰写新的编辑类教程，请查阅仓库根目录的贡献指南，或通过 editor@towardsai.net 联系团队。

---

更多详细理论讲解请访问 Towards AI 免费教程专区。