MLEveryday/100-Days-Of-ML-Code

项目概览

该项目提供了经过中文翻译的 100 天机器学习结构化学习路径与配套代码，适合需要中文教材的机器学习入门者跟踪学习。

项目类型

数据处理 · 学习资源

应用场景

学习教育

部署方式

查看项目说明

License

MIT

适合谁

• 寻找中文、按日结构化入门课程的机器学习初学者。
• 希望直接通过 Python 代码和 Jupyter Notebook 了解传统算法实现的开发者。

核心能力

• 将 100 Days of ML Code 学习路径翻译为中文，逐日涵盖数据预处理、线性回归等监督学习与无监督学习算法的概念。
• 提供基于 Scikit-Learn 等库的 Python 代码示例和 Jupyter Notebook，涵盖数据预处理、线性回归、支持向量机和 K-NN 等算法。
• 提供视觉信息图表，用以解释数据预处理、简单线性回归和决策树等机器学习概念。

限制与风险

• 项目文档未明确记录运行相关代码示例是否需要 GPU 支持。
• 未记录相关数据使用和隐私的数据边界条件。

如何开始

• 由于项目包含无需构建步骤的教育文本和代码，获取源码后通过 Markdown 查看器阅读课程，或使用 Jupyter 环境打开 Notebook 即可开始学习。

替代方案与同类比较

• 提供一个为期 12 周、共 26 课的基于项目的课程，主要使用 Scikit-learn 讲授经典机器学习技术。
• 提供涵盖 Java 基础、数据库、系统设计等领域的后端面试题目和学习路径摘要。

同类比较

• MLEveryday/100-Days-Of-ML-Code vs 经典机器学习初学者课程
• MLEveryday/100-Days-Of-ML-Code vs Java 后端面试知识库

核验依据

• GitHub 项目简介: 100-Days-Of-ML-Code中文版
• README: - 有监督学习 - [数据预处理](#数据预处理--第1天) - [简单线性回归](#简单线性回归--第2天) - [多元线性回归](#多元线性回归--第3天) - [逻辑回归](#逻辑回归--第4天) - [k近邻法(k-NN)](#k近邻法k-nn--第7天) - [支持向量机(SVM)](#支持向量机svm--第12天) - [决策树](#决策树--…
• README: 今天我在线性相关数据上实现了SVM。使用Scikit-Learn库。在scikit-learn中我们有SVC分类器，我们用它来完成这个任务。将在下一次实现时使用kernel-trick。Python代码见[此处](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Co…
• README: 使用Scikit-Learn库实现了SVM算法以及内核函数，该函数将我们的数据点映射到更高维度以找到最佳超平面。
• README: [数据预处理实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%201_Data_Preprocessing.md) <p align="center"> <img src="https://github.com/MachineLearning…

来源更新时间：2026-07-16T18:18:44Z

打开原始 GitHub 项目