[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yhangf--ML-NOTE":3,"tool-yhangf--ML-NOTE":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",157379,2,"2026-04-15T23:32:42",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":79,"stars":82,"forks":83,"last_commit_at":84,"license":85,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":92,"github_topics":93,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":99,"updated_at":100,"faqs":101,"releases":102},8046,"yhangf\u002FML-NOTE","ML-NOTE"," :orange_book:慢慢整理所学的机器学习算法，并根据自己所理解的样子叙述出来。(注重数学推导)","ML-NOTE 是一个专注于机器学习算法原理的开源学习笔记项目。它并非直接提供可调用的代码库，而是致力于将复杂的机器学习知识进行系统化梳理，并用作者通俗易懂的语言重新叙述，特别注重对算法背后数学推导过程的详细解析。\n\n在机器学习学习中，许多教程往往只关注代码实现而忽略了核心数学逻辑，导致学习者难以真正理解算法本质。ML-NOTE 正是为了解决这一痛点而生，它涵盖了从线性回归、逻辑回归、支持向量机（SVM）、EM 算法到深度学习中的反向传播、LSTM 等经典内容，每篇笔记均提供详细的 PDF 文档及知乎专栏链接，帮助读者建立扎实的理论基础。\n\n该项目非常适合希望深入理解算法原理的开发者、数据科学初学者以及相关领域的研究人员使用。如果你不满足于仅仅调用现成的 API，而是想探究模型内部的数学机制，ML-NOTE 将是极佳的辅助资料。其独特亮点在于“重推导、轻黑盒”的编写风格，将晦涩的公式转化为易于理解的逻辑链条，并鼓励读者辩证思考与反馈。此外，作者还开发了配套的微型机器学习框架 mimose，可供读者对照代码实践，进一步巩固理论知识。","```shell\n          _   .-')                          .-') _               .-') _     ('-.\n         ( '.( OO )_                       ( OO ) )             (  OO) )  _(  OO)\n          ,--.   ,--.),--.             ,--.\u002F ,--,'  .-'),-----. \u002F     '._(,------.\n          |   `.'   | |  |.-')         |   \\ |  |\\ ( OO'  .-.  '|'--...__)|  .---'\n          |         | |  | OO )        |    \\|  | )\u002F   |  | |  |'--.  .--'|  |\n          |  |'.'|  | |  |`-' |{}_O--)(|  .     |\u002F \\_) |  |\\|  |   |  |  (|  '--.\n          |  |   |  |(|  '---.'(OO  )_ |  |\\    |    \\ |  | |  |   |  |   |  .--'\n          |  |   |  | |      |         |  | \\   |     `'  '-'  '   |  |   |  `---.\n          `--'   `--' `------'         `--'  `--'       `-----'    `--'   `------'\n```\n\n# \u003Cp align=\"center\">ML-NOTE\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002FLICENSE\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fcocoapods\u002Fl\u002FEFQRCode.svg?style=flat\">\n        \u003C\u002Fa>\n \u003Ca href=\"https:\u002F\u002Fzh.wikipedia.org\u002Fwiki\u002F%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FML-机器学习-ff69b4.svg\">\n        \u003C\u002Fa>\n   \u003Ca href=\"\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F未完-更新中-orange.svg\">\n        \u003C\u002Fa>\n   \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fyhangf\u002FML-NOTE.svg?style=social&label=Star\">\n        \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fyhangf\u002FML-NOTE.svg?style=social&label=Fork\">\n        \u003C\u002Fa>\n\n\u003C\u002Fp>\n\n慢慢整理所学的和机器学习相关的知识，并根据自己所理解的样子叙述出来。笔记中难免会出现一些错误，希望读者能够自己辨证着去看待，如果能把你的一些建议反馈给我的话那是再好不过的，所有文章也可以在[知乎专栏](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fjiqixuexi)阅读，相关代码实现可以参考我写的另一个微机器学习框架[**mimose**](https:\u002F\u002Fgithub.com\u002Fyhangf\u002Fmimose)。\n\n#### 笔记内容\n\n- [x] 线性回归与最小二乘法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F线性回归与最小二乘法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36910496)]\n\n- [x] 逻辑回归算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F逻辑回归算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37020923)]\n\n- [x] 感知机算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F感知机算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37134548)]\n\n- [x] 高斯判别分析  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F高斯判别分析.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38269530)]\n\n- [x] 支持向量机(上篇)  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F支持向量机(上篇).pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F39219534)]\n\n- [x] 支持向量机(下篇)  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F支持向量机(下篇).pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F47806581)]\n\n- [x] EM算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FEM算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F39490840)]\n\n- [x] 朴素贝叶斯算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F朴素贝叶斯算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40246165)]\n\n- [x] 反向传播算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F反向传播算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40761721)]\n\n- [x] PCA算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FPCA算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F46671639)]\n\n- [x] 核函数粗浅的理解  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F核函数粗浅的理解.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F47541349)]\n\n- [x] L1和L2正则化的概率解释  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FL1和L2正则化的概率解释.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56185913)]\n\n- [x] 某些特殊概率分布之间的相互变换  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F某些特殊概率分布之间的相互变换.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56703117)]\n\n- [x] 高维数据可视化之t-SNE算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F高维数据可视化之t-SNE算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F57937096)]\n\n- [x] Word2Vec算法梳理  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002Fword2vec算法梳理.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58290018)]\n\n- [x] GBDT算法原理梳理  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FGBDT算法原理梳理.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59434537)]\n\n- [x] LSTM和GRU算法简单梳理  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FLSTM和GRU算法简单梳理.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F72500407)]\n\n- [x] FM算法简单梳理 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FFM算法简单梳理.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F73798236)]\n\n- [x] 数值微分理论和简单代码实现 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F数值微分理论和简单代码实现.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F78915545)]\n\n- [x] k-means算法 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002Fk-means算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F82550068)]\n\n- [x] 多分类问题的交叉熵 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F多分类问题的交叉熵.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F100742743)]\n\n- [x] 关联规则算法原理浅析 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F关联规则算法原理浅析.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F100742743)]\n\n- [x] l1相对于l2更容易获得稀疏解的个人看法 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002Fl1相对于l2更容易获得稀疏解的个人看法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F102909714)]\n\n- [x] Isolation Forest算法梳理 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FIsolation%20Forest%E7%AE%97%E6%B3%95%E6%A2%B3%E7%90%86.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F131406753)]\n\n    \n\n","```shell\n          _   .-')                          .-') _               .-') _     ('-.\n         ( '.( OO )_                       ( OO ) )             (  OO) )  _(  OO)\n          ,--.   ,--.),--.             ,--.\u002F ,--,'  .-'),-----. \u002F     '._(,------.\n          |   `.'   | |  |.-')         |   \\ |  |\\ ( OO'  .-.  '|'--...__)|  .---'\n          |         | |  | OO )        |    \\|  | )\u002F   |  | |  |'--.  .--'|  |\n          |  |'.'|  | |  |`-' |{}_O--)(|  .     |\u002F \\_) |  |\\|  |   |  |  (|  '--.\n          |  |   |  |(|  '---.'(OO  )_ |  |\\    |    \\ |  | |  |   |  |   |  .--'\n          |  |   |  | |      |         |  | \\   |     `'  '-'  '   |  |   |  `---.\n          `--'   `--' `------'         `--'  `--'       `-----'    `--'   `------'\n```\n\n# \u003Cp align=\"center\">ML-NOTE\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002FLICENSE\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fcocoapods\u002Fl\u002FEFQRCode.svg?style=flat\">\n        \u003C\u002Fa>\n \u003Ca href=\"https:\u002F\u002Fzh.wikipedia.org\u002Fwiki\u002F%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FML-机器学习-ff69b4.svg\">\n        \u003C\u002Fa>\n   \u003Ca href=\"\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F未完-更新中-orange.svg\">\n        \u003C\u002Fa>\n   \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fyhangf\u002FML-NOTE.svg?style=social&label=Star\">\n        \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fyhangf\u002FML-NOTE.svg?style=social&label=Fork\">\n        \u003C\u002Fa>\n\n\u003C\u002Fp>\n\n慢慢整理所学的和机器学习相关的知识，并根据自己所理解的样子叙述出来。笔记中难免会出现一些错误，希望读者能够自己辨证着去看待，如果能把你的一些建议反馈给我的话那是再好不过的，所有文章也可以在[知乎专栏](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fjiqixuexi)阅读，相关代码实现可以参考我写的另一个微机器学习框架[**mimose**](https:\u002F\u002Fgithub.com\u002Fyhangf\u002Fmimose)。\n\n#### 笔记内容\n\n- [x] 线性回归与最小二乘法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F线性回归与最小二乘法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36910496)]\n\n- [x] 逻辑回归算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F逻辑回归算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37020923)]\n\n- [x] 感知机算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F感知机算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37134548)]\n\n- [x] 高斯判别分析  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F高斯判别分析.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38269530)]\n\n- [x] 支持向量机(上篇)  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F支持向量机(上篇).pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F39219534)]\n\n- [x] 支持向量机(下篇)  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F支持向量机(下篇).pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F47806581)]\n\n- [x] EM算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FEM算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F39490840)]\n\n- [x] 朴素贝叶斯算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F朴素贝叶斯算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40246165)]\n\n- [x] 反向传播算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F反向传播算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40761721)]\n\n- [x] PCA算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FPCA算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F46671639)]\n\n- [x] 核函数粗浅的理解  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F核函数粗浅的理解.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F47541349)]\n\n- [x] L1和L2正则化的概率解释  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FL1和L2正则化的概率解释.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56185913)]\n\n- [x] 某些特殊概率分布之间的相互变换  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F某些特殊概率分布之间的相互变换.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56703117)]\n\n- [x] 高维数据可视化之t-SNE算法  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F高维数据可视化之t-SNE算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F57937096)]\n\n- [x] Word2Vec算法梳理  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002Fword2vec算法梳理.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58290018)]\n\n- [x] GBDT算法原理梳理  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FGBDT算法原理梳理.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59434537)]\n\n- [x] LSTM和GRU算法简单梳理  [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FLSTM和GRU算法简单梳理.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F72500407)]\n\n- [x] FM算法简单梳理 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FFM算法简单梳理.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F73798236)]\n\n- [x] 数值微分理论和简单代码实现 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F数值微分理论和简单代码实现.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F78915545)]\n\n- [x] k-means算法 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002Fk-means算法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F82550068)]\n\n- [x] 多分类问题的交叉熵 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F多分类问题的交叉熵.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F100742743)]\n\n- [x] 关联规则算法原理浅析 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002F关联规则算法原理浅析.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F100742743)]\n\n- [x] l1相对于l2更容易获得稀疏解的个人看法 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002Fl1相对于l2更容易获得稀疏解的个人看法.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F102909714)]\n\n- [x] Isolation Forest算法梳理 [[pdf](https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE\u002Fblob\u002Fmaster\u002Fpdf\u002FIsolation%20Forest%E7%AE%97%E6%B3%95%E6%A2%B3%E7%90%86.pdf) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F131406753)]","# ML-NOTE 快速上手指南\n\nML-NOTE 并非一个需要安装运行的软件库或框架，而是一个**机器学习算法理论与推导的开源笔记集合**。本项目主要提供核心算法的数学原理讲解、PDF 文档及知乎专栏文章链接。\n\n开发者无需配置复杂的运行环境，只需具备基础的数学知识和阅读工具即可开始学习。若需运行相关代码，可参考作者另外的微机器学习框架 [mimose](https:\u002F\u002Fgithub.com\u002Fyhangf\u002Fmimose)。\n\n## 1. 环境准备\n\n由于本项目本质为文档资源，对系统无特殊要求：\n\n- **操作系统**：Windows \u002F macOS \u002F Linux 均可\n- **前置依赖**：\n  - 现代浏览器（用于访问 GitHub 或知乎链接）\n  - PDF 阅读器（用于查看本地下载的笔记文档）\n  - （可选）Git：用于克隆仓库到本地\n- **知识储备**：建议具备线性代数、概率论及微积分基础\n\n## 2. 获取步骤\n\n你可以通过以下两种方式获取笔记内容：\n\n### 方式一：直接在线浏览（推荐）\n直接点击项目列表中的 **知乎** 链接在线阅读，或点击 **pdf** 链接在浏览器中预览\u002F下载。\n\n### 方式二：克隆到本地\n如果你希望离线阅读所有 PDF 文档，可以使用 Git 克隆仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyhangf\u002FML-NOTE.git\ncd ML-NOTE\n```\n\n*注：国内用户若遇到克隆速度慢的问题，可使用国内代码托管平台（如 Gitee）的镜像地址，或配置 Git 代理加速。*\n\n## 3. 基本使用\n\n获取仓库后，所有的学习笔记均位于 `pdf` 目录下。\n\n### 查看可用主题\n进入目录查看已整理的算法笔记列表：\n\n```bash\nls pdf\u002F\n```\n\n你将看到如下文件（部分示例）：\n- `线性回归与最小二乘法.pdf`\n- `逻辑回归算法.pdf`\n- `支持向量机 (上篇).pdf`\n- `反向传播算法.pdf`\n- `Word2Vec 算法梳理.pdf`\n- ...以及其他 20+ 篇核心算法文档\n\n### 阅读笔记\n直接使用系统默认的 PDF 阅读器打开任意文件即可开始学习。例如在 macOS\u002FLinux 终端中使用：\n\n```bash\nopen pdf\u002F线性回归与最小二乘法.pdf\n```\n\n或在 Windows PowerShell 中：\n\n```powershell\nStart-Process \"pdf\\线性回归与最小二乘法.pdf\"\n```\n\n### 结合代码实践\n笔记主要侧重理论推导。若需验证算法实现，请前往作者的另一项目 **[mimose](https:\u002F\u002Fgithub.com\u002Fyhangf\u002Fmimose)** 获取对应的 Python 代码实现，并结合笔记中的公式进行对照学习。","一名算法工程师在准备技术面试或复现经典模型时，试图深入理解支持向量机（SVM）背后的拉格朗日对偶性与核函数数学推导。\n\n### 没有 ML-NOTE 时\n- 面对网络上碎片化的博客文章，公式推导往往跳跃严重，缺乏从原始目标函数到最终解的完整逻辑链条。\n- 难以区分不同教材对同一算法（如 EM 算法或反向传播）的符号定义差异，导致自己在手推公式时频繁陷入符号混淆的死胡同。\n- 花费大量时间查阅线性代数与概率论基础来填补知识断层，却仍无法将数学原理与代码实现（如梯度下降的具体步骤）有效关联。\n- 遇到复杂概念（如 L1\u002FL2 正则化的概率解释）时，只能死记硬背结论，无法从贝叶斯视角真正理解其物理意义。\n\n### 使用 ML-NOTE 后\n- 直接阅读 ML-NOTE 中关于 SVM 的专题笔记，跟随作者一步步完成从几何间隔到拉格朗日乘子法的严密推导，逻辑清晰无断点。\n- 借助统一的符号体系和作者通俗的“人话”叙述，快速厘清感知机、逻辑回归与高斯判别分析之间的异同，建立起系统的知识图谱。\n- 结合笔记中提供的数学直觉与对应的 `mimose` 框架代码参考，迅速将抽象的矩阵运算转化为可落地的算法实现。\n- 通过研读关于特殊概率分布变换及 t-SNE 可视化的深度解析，不仅掌握了公式，更理解了数据在高维空间映射的本质规律。\n\nML-NOTE 将晦涩的机器学习数学推导转化为逻辑连贯的个人化笔记，帮助开发者从“死记公式”进阶为“透彻理解”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyhangf_ML-NOTE_f1211eb4.png","yhangf","yhf","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyhangf_823ddef2.jpg","Cease to struggle and you cease to live!","Sangfor Technologies Inc.","Shenzhen, Guangdong, China","yhf5fhy@gmail.com",null,"https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fzhi-mu-qing-yang","https:\u002F\u002Fgithub.com\u002Fyhangf",676,138,"2026-04-02T08:04:17","MIT",1,"","未说明",{"notes":90,"python":88,"dependencies":91},"该项目并非可运行的软件工具或框架，而是一份机器学习算法的学习笔记合集（包含 PDF 文档和知乎文章链接）。文中提到的代码实现参考了作者另一个名为 'mimose' 的仓库，本仓库本身没有运行环境、依赖库或硬件需求。",[],[14],[94,95,96,97,98],"machine-learning","algorithms","notes","markdown","pdf-document","2026-03-27T02:49:30.150509","2026-04-16T15:50:52.238150",[],[]]