machine-learning-yearning
machine-learning-yearning 是吴恩达（Andrew Ng）经典著作《Machine Learning Yearning》的中文开源翻译项目。它并非传统的代码库或软件工具，而是一份系统化的机器学习工程实战指南，旨在帮助从业者掌握构建高效机器学习项目的核心策略。
在深度学习算法日益成熟的今天，许多开发者往往精通模型调优，却缺乏统筹整个项目流程的经验。machine-learning-yearning 正是为了解决这一痛点而生，它详细讲解了如何科学划分开发与测试集、通过偏差与方差分析定位问题、利用学习曲线优化模型，以及判断何时采用端到端深度学习等关键决策。全书共 58 章，覆盖了从项目启动到错误分析的全生命周期，填补了理论算法与实际工程落地之间的空白。
这份资料特别适合人工智能领域的开发者、算法工程师及研究人员阅读。对于正在着手实施机器学习项目但感到无从下手的团队，或者希望提升项目成功率的资深从业者，它都能提供极具价值的指导。其独特的技术亮点在于将复杂的工程决策拆解为可执行的具体步骤，强调“先快速构建系统再迭代优化”的务实理念。作为社区驱动的翻译成果，machine-learning-yearning 让高质量的英文技术内容得以无障碍传播，是每一位机器学习实践者案头必备的参考手册。
使用场景
某电商初创公司的算法团队正致力于构建一个商品推荐系统，但在项目初期陷入了方向不明和效率低下的困境。
没有 machine-learning-yearning 时
- 团队在数据划分上凭感觉行事，导致开发集与测试集分布不一致，模型在内部评估表现良好但上线后效果骤降。
- 面对模型性能瓶颈，工程师盲目尝试增加网络层数或收集更多数据，无法判断当前主要问题是高偏差还是高方差，浪费了大量算力资源。
- 缺乏系统的错误分析流程，团队成员对坏案例的归因各执一词，难以确定是特征工程不足还是标注数据有误，项目迭代陷入停滞。
- 过度迷信“端到端”深度学习，试图用单一模型解决所有问题，忽略了模块化调试的重要性，导致推理延迟过高且难以优化。
使用 machine-learning-yearning 后
- 依据书中指导科学构建了开发与测试集，确保数据分布符合业务真实场景，使离线评估指标能准确预测线上表现。
- 学会利用学习曲线和偏差 - 方差分析诊断模型状态，精准决策是应增加模型复杂度还是扩充数据集，研发效率提升显著。
- 建立了结构化的错误分析机制，通过定量分析误分类样本，快速定位到特定类别的标注噪声问题并针对性修复。
- 理性评估端到端方案的适用性，转而采用分步调试策略，在保证准确率的同时大幅降低了系统延迟和维护成本。
machine-learning-yearning 将模糊的直觉转化为科学的决策框架，帮助团队在复杂的机器学习项目中少走弯路，直击核心痛点。
运行环境要求
未说明
未说明
快速开始
说明文档
目录
简介
吴恩达的手稿共58章现已全部发布。我一边学习一边进行翻译，并随手记录下来，以加深对内容的理解，仅供学习交流之用。
更新记录：
更新于2018年2月2日：完成第1至14章的翻译（已完成）
更新于2018年4月25日：NG终于发布了第15至19章的手稿，等待已久（已完成）
提示：在原来的第12章和第13章之间新增了一个章节
13 快速构建你的第一个系统，然后迭代，原先的第13章变为第14章，第14章变为第15章。
- 更新于2018年5月2日：手稿第20至22章已发布（已完成）
- 更新于2018年5月9日：手稿第23至27章已发布（已完成）
- 更新于2018年5月16日：手稿第28至30章已发布（已完成）
- 更新于2018年5月23日：手稿第31至32章已发布（已完成）
- 更新于2018年5月30日：手稿第33至35章已发布（已完成）
- 更新于2018年6月6日：手稿第36至39章已发布（已完成）
- 更新于2018年6月13日：手稿第40至43章已发布（已完成）
- 更新于2018年6月20日：手稿第44至46章已发布（已完成）
- 更新于2018年6月27日：手稿第47至49章已发布（已完成）
- 更新于2018年7月4日：手稿第50至52章已发布（已完成）
- 更新于2018年9月29日：手稿第53至58章已发布（已完成）
本翻译为业余时间完成，水平有限，如有不当或错误之处，欢迎指正。
目的
本书旨在教你如何做出组织一个机器学习项目所需的大量决策。你将学习：
- 如何建立开发集和测试集
- 基本的错误分析方法
- 如何利用偏差与方差来决定下一步该做什么
- 学习曲线
- 将学习算法的表现与人类水平进行比较
- 调试推理算法
- 何时应该以及不应该使用端到端深度学习
- 按步骤进行错误分析的方法
翻译章节
全书共58章，分为10个小节：
- 设置开发集和测试集
- 基本错误分析
- 偏差与方差
- 学习曲线
- 与人类水平表现的比较
- 在不同分布上训练和测试
- 调试推理算法
- 端到端深度学习
- 分步错误分析
- 结论
翻译内容请移步GitBook：Machine Learning Yearning
英文原文
详见draft目录：
第1至14章：Ng_MLY01-01-14.pdf
第15至19章：Ng_MLY02-15-19.pdf
第20至22章：Ng_MLY03-20-22.pdf
第23至27章：Ng_MLY04-23-27.pdf
第28至30章：Ng_MLY05-28-30.pdf
第31至32章：Ng_MLY06-31-32.pdf
第33至35章：Ng_MLY07-33-35.pdf
第36至39章：Ng_MLY08-36-39.pdf
第40至43章：Ng_MLY09-40-43.pdf
第44至46章：NG_MLY10-44-46.pdf
第47至49章：NG_MLY11-47-49.pdf
第50至52章：Ng_MLY12-50-52.pdf
第53至58章：Ng_MLY13-53-58.pdf
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。