ml-groundup

[hrjtju]

你是否已经阅读并同意《Datawhale开源项目指南》？

• 我已阅读并同意《Datawhale开源项目指南》

你是否已经阅读并同意《Datawhale开源项目行为准则》？

• 我已阅读并同意《Datawhale开源项目行为准则》

项目简介

帮助初学者快速学习ML并实践；帮助有基础的朋友从零开始建立ML体系

立项理由

网络上的机器学习教程分为两种，理论型和实践型。前者虽有实践但是很少；后者虽有实践但常常浅尝辄止。另外，实践型的教程往往仅通过调库完成，而纯使用代码的教程又往往缺乏美感。我想写这样一个教程：

1. 有最简单精髓的理论，能让初学者接触到这一概念时了解这个模型是怎么回事
2. 提供实践的A版本，通过调用相关库（如sklearn）快速训练机器学习模型，让学习者可以得到短时足量的正反馈
3. 提供从底向上的搭建和实践过程，让学习者体会理论如何与实践相对应
4. 结合数据科学竞赛、机器学习面试遇到的诸多问题，放在章末思考中，激励学习者寻找更多的知识

项目受众

A. 希望快速入门机器学习的朋友（有高中数学基础）
B. 希望进一步理解机器学习算法实践的朋友（有机器学习的基础）

项目亮点

1. 有最简单精髓的理论，能让初学者接触到这一概念时了解这个模型是怎么回事
2. 提供实践的A版本，通过调用相关库（如sklearn）快速训练机器学习模型，让学习者可以得到短时足量的正反馈
3. 提供从底向上的搭建和实践过程，让学习者体会理论如何与实践相对应
4. 结合数据科学竞赛、机器学习面试遇到的诸多问题，放在章末思考中，激励学习者寻找更多的知识

项目规划

第一篇 基础工具（五月）

1. 自动微分
2. 基于梯度的优化
3. 特征工程与核方法
4. 模型评估
5. 自定义强化学习环境

第二篇 基础模型和范式（七月）

1. 监督学习
2. 无监督学习
3. 半监督学习
4. 自动机器学习

第三篇 现代模型（九月）

5. 全连接网络
6. 卷积神经网络
7. *目标检测
8. *图像分割
9. 循环神经网络
10. Transformer和大语言模型
11. Mamba
12. 生成模型（VAE/Diffusion）

第四篇 其他深度学习范式（十月）

13. 半监督学习
14. 对比学习
15. 深度强化学习（Q-learning/PPO）
16. 迁移学习
17. 元学习
18. 对偶学习

第五篇 其他（十二月）

19. 攻击机器学习模型
20. 解释机器学习模型
21. 机器遗忘

• 人员：何瑞杰

已完成内容

暂无

❗❗❗注意事项❗❗❗：为了便于我们跟你取得联系，请务必加我们的微信：at-Sm1les（备注你来自于项目立项即可），发起立项申请后DOPMC成员将会在7天内给出审核意见并评论在该Issue，若7天内无反对意见则默认立项通过，如有任何疑问或者需要帮助均可随时联系微信：at-Sm1les

• 我已知悉上述注意事项并添加了微信：at-Sm1les

[hu-minghao]

同意