Immonasd

Data Science

[Immonasd @Immonasd]

@janxdesign @thsottiaux Totally agreed

[GitHubDaily @GitHub_Daily]

GitHub 上一份超全面的机器学习实战手册：machine-learning，覆盖了机器学习的完整技术栈。

既有从零手写算法帮我们理解底层原理，又结合 scikit-learn、PyTorch 等主流库的实际应用，并通过 Jupyter Notebook 呈现所有内容。

GitHub：https://t.co/Izh7t7n0JG

主要内容：

- 深度学习：从 Softmax 回归到 Transformer、BERT，包含 CNN、RNN、GNN 等完整技术栈
- 推荐系统：矩阵分解、协同过滤、内容推荐等核心算法实现
- 树模型：决策树、随机森林、XGBoost、LightGBM 从原理到调优
- 模型部署：FastAPI、Kubernetes、AWS 等生产环境实战指南
- 时间序列：指数平滑、监督学习建模等预测方法
- Python 编程：并行计算、Cython 优化、设计模式等进阶技巧

学习者需要有一定的 Python 基础，适合想要深入理解机器学习技术栈的开发者。

[GitHubDaily @GitHub_Daily]

在学习机器学习时，网上大部分教程只讲概念，又或者直接上代码，让我们很难真正理解算法背后的原理。

今天在 GitHub 上发现 Machine Learning Visualized 开源项目，非常不错，它用可视化方式带我们深入了解每个算法的工作原理。

那些复杂的机器学习算法被拆解成直观的可视化过程，并结合完整的数学推导和交互式界面，让我们清晰地看到算法在训练过程中权重的变化。

GitHub：https://t.co/vm4MSzT7Cf

主要内容：

- 神经网络、逻辑回归、感知器等核心算法的完整实现
- 每个算法都有详细的数学推导过程，从第一性原理开始讲解
- 交互式 Marimo 笔记本，可以实时调整参数观察效果
- 训练过程可视化，直观展示算法收敛到最优权重的过程
- 涵盖 PCA、K-means 聚类、梯度下降等多种算法

项目基于 Jupyter Book 构建，可在线浏览学习，也可以通过 Docker 本地一键部署，即可使用。