# MachineLearning

**Repository Path**: Roche_limit/machine-learning

## Basic Information

- **Project Name**: MachineLearning
- **Description**: 机器学习和数据分析学习
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2026-01-07
- **Last Updated**: 2026-04-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# MachineLearning
本仓库为机器学习与深度学习的系统学习实战项目，涵盖从传统机器学习算法到深度学习框架、经典网络模型的全流程实现代码，基于Python+Jupyter Notebook开发，代码注释完整、可直接运行，配套语雀学习笔记形成**理论+实操**的完整知识体系，是个人学习过程中的代码沉淀与知识复盘载体。

- 配套学习笔记：https://www.yuque.com/rendong-2e1ev/xfklkh/bp88ue1ag8a6zvxx?singleDoc

## 技术栈
- 开发语言：Python
- 核心框架：PyTorch
- 涉及库：NumPy、Pandas、Matplotlib、Scikit-learn等

## 项目结构
仓库按**学习进阶逻辑**划分模块，从机器学习基础到深度学习核心内容，模块清晰、层层递进，各模块对应不同学习阶段的算法实现与实操案例。
```
machine-learning/
├── 0_Base/            # 机器学习基础工具与基础知识点实现
├── 1_LinearRegression/ # 线性回归算法（原理+代码+实战）
├── 2_PolynomialRegression/ # 多项式回归算法实现
├── 3_LogisticRegression/ # 逻辑回归算法（分类任务实操）
├── 4_KNN/             # K近邻算法实现与调优
├── 5_Perceptron/      # 感知机模型基础实现
├── 6_OtherSupervised/ # 其他有监督学习算法合集
├── 7_Unsupervised/    # 无监督学习算法（聚类、降维等）
├── 8_DeepLearning/    # 深度学习核心模块
├── DataAnalysis/      # 数据分析基础相关实操
├── common/            # 通用工具类、函数封装
├── data/              # 项目实战配套数据集
└── .idea/             # 开发环境配置文件
```

## 核心内容实现
### 一、传统机器学习
覆盖**有监督学习**与**无监督学习**全品类基础算法，包含算法原理实现、超参数调优、简单实战案例，夯实机器学习基础：
1. 回归类：线性回归、多项式回归
2. 分类类：逻辑回归、K近邻、感知机
3. 其他有监督学习：决策树、随机森林、SVM等
4. 无监督学习：K-Means聚类、PCA降维、层次聚类等

### 二、深度学习
基于PyTorch框架实现深度学习全流程实操，从框架基础到经典网络模型，完成**理论落地+代码实现+实战训练**：
1. PyTorch框架基础：张量操作、自动求导、数据加载（Dataset/Dataloader）、模型搭建与训练
2. 深度学习核心原理：激活函数、损失函数、优化器、参数初始化、正则化方法实现
3. 经典CNN模型：卷积神经网络基础、LeNet-5模型复现、图像分类实战（MNIST等数据集）
4. 网络训练与调优：模型训练全流程、超参数调整、过拟合/欠拟合解决、模型保存与加载

## 项目特点
1. **循序渐进**：从基础工具→传统机器学习→深度学习，符合机器学习入门到进阶的学习逻辑
2. **实操性强**：所有算法均实现完整代码，配套对应数据集，可直接运行调试
3. **知识闭环**：代码实现与语雀学习笔记同步，笔记包含原理推导、公式解析、问题解决，形成理论与实操的双向印证
4. **持续更新**：跟随学习进度不断完善算法实现与模型拓展，补充更多实战案例与进阶内容

## 适用场景
1. 机器学习/深度学习入门者的学习参考与代码实操
2. 个人学习过程的知识沉淀、复盘与展示
3. 相关算法学习的代码调试与二次开发