machineLearningDeepLearning
machineLearningDeepLearning 是一个专为李宏毅教授 2021 年春季机器学习与深度学习课程打造的开源学习资源库。它系统性地整理了课程全套 PPT、作业代码、上课演示程序以及部分学习笔记，旨在帮助学习者降低入门门槛，解决自学过程中资料分散、代码复现困难等痛点。
这套资源特别适合高校学生、AI 初学者以及希望夯实理论基础的开发者和研究人员使用。无论是想要跟随课程节奏完成练习，还是寻找特定算法的代码实现参考，都能在这里找到对应内容。其独特亮点在于提供了完整的作业代码框架（涵盖 TensorFlow 和 PyTorch 版本），并针对每章作业配备了详细的数据说明与运行指南，甚至包含了 Google Colab 的使用教程，极大地方便了环境配置与实验复现。此外，项目还维护了配套的课程视频链接与数据集下载通道，形成了一站式的学习闭环。对于渴望系统掌握机器学习核心概念并动手实践的用户而言，machineLearningDeepLearning 是一份不可多得的宝贵资料。
使用场景
一名计算机专业的研究生正试图复现李宏毅老师 2021 年课程中的新冠预测作业，以完成自己的期末项目。
没有 machineLearningDeepLearning 时
- 资料分散难收集：需要在 B 站、Google Drive 和个人博客间反复跳转，手动拼凑零散的 PPT、视频链接和代码片段，极易遗漏关键版本。
- 环境配置门槛高：面对陌生的 TensorFlow/PyTorch 代码框架，缺乏官方参考实现，调试数据预处理逻辑耗时数天仍报错不断。
- 数据获取受阻：作业所需的大规模数据集没有统一入口，需自行编写爬虫或寻找不稳定的第三方镜像，严重影响进度。
- 理论实践脱节：看完视频后无法立即通过对应的笔记和代码验证算法原理，导致对回归模型和神经网络的理解停留在表面。
使用 machineLearningDeepLearning 后
- 资源一站式获取：通过
git clone一键下载包含完整 PPT、作业代码（hw1-hw14）及课堂演示代码的仓库，所有素材版本对齐且目录清晰。 - 快速上手运行：直接利用仓库中已更新的第一章至第十四章参考代码（如
run.py或ipynb文件），在 Google Colab 上即可复现结果，迅速定位自身代码错误。 - 数据直达可用：依据 README 提供的百度网盘链接及提取码，秒级获取经过清洗的标准作业数据集，无需再为数据格式烦恼。
- 深度学习闭环：结合上传的课程笔记与对应章节代码，边看李宏毅老师的讲解边修改参数实验，真正实现了从理论推导到模型落地的无缝衔接。
machineLearningDeepLearning 将原本碎片化、高门槛的学习过程转化为标准化的工程实践，让开发者能专注于算法核心而非资源搜集。
运行环境要求
- 未说明
未说明
未说明
快速开始
李宏毅老师2021年春季机器学习与深度学习课程上线新内容，持续更新中
PPT、作业代码、学习笔记、上课代码、TensorFlow/PyTorch相关资源都将上传至GitHub，欢迎大家点赞支持！
如何下载本库内容
- 下载方式 1
使用Git工具下载
git clone https://github.com/wolfparticle/machineLearningDeepLearning.git
- 下载方式 2
通过网页下载
更新记录
PPT部分 路径：machineLearningDeepLearning/ppt
该课程所有PPT已更新完毕
Video部分
课程视频已更新完毕
https://www.bilibili.com/video/BV1zA411K7en?p=52
HomeWork部分 路径：machineLearningDeepLearning/homework_code
课程介绍
ppt
第一章
Google Colab使用录屏：https://www.bilibili.com/video/BV1zA411K7en?p=7
hw1的数据字段含义解释参考网址
https://delphi.cmu.edu/covidcast/survey-results/?date=20210221
更新了个人编写的参考代码
第二章
第二章参考代码已更新，解压后直接运行run.py文件或ipynb文件。
第三~十四章
已更新代码和数据集。
Notes 部分 路径：machineLearningDeepLearning/Notes
很抱歉，这部分个人还未更新
Data 部分 路径：machineLearningDeepLearning/data
所有作业数据在百度网盘
数据集较大，可通过百度网盘获取：
链接：https://pan.baidu.com/s/1Zjwvv8JMmadPNYgTNN4LCw 提取码：hw21 复制这段内容后打开百度网盘手机App，操作更方便哦--来自百度网盘超级会员V4的分享
ClassCode部分 路径：machineLearningDeepLearning/class_code
抱歉，本人还未更新
学习小组
微信打卡群，第一时间获取更新通知，共享PPT、作业及学习笔记。加我微信时请务必备注，格式为：昵称-学生-学校-研究方向 或 昵称-工作-公司-职位方向。
下载的同时也请顺手点个Star
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。