luweiagi/machine-learning-notes

它是什么。 一份关于机器学习及相关主题的学习笔记集合。README 主要是一个巨大的目录：它列出了数十个笔记页面，分为五个大部分（前言、数学基础、编程基础、机器学习、深度学习），每个条目链接到单独的笔记文件。该项目还指向一个外部的“机器学习算法地图”（另一个网站上的图表），并包含该地图的 PNG 图片。

如何阅读。 README 以警告开头（中文）：如果你在 github.com 上查看页面，请停止阅读并点击顶部的链接，因为你处于源代码模式，数学公式未渲染。预期的阅读体验是通过 GitHub Pages 网站 https://luweiagi.github.io/machine-learning-notes/，在那里公式可以正确显示。

涵盖内容（来自目录）。

• 前言 — 个人介绍、机器学习介绍、建议的学习路径、面试技巧和机器学习历史。
• 数学基础 — 微积分（泰勒展开、e、傅里叶变换、希尔伯特空间、卷积）、线性代数（范数、矩阵导数、特征值、SVD）、概率与统计（方差/协方差、贝叶斯分析、概率分布如正态、伽马、贝塔、狄利克雷）、复变函数、信息论、数值优化（最小二乘、拉格朗日乘子、凸优化）和梯度更新算法（SGD、Momentum、Nesterov、AdaGrad、RMSprop、Adadelta、Adam、Nadam、AMSGrad 等）。
• 编程基础 — 计算机科学课程主题（计算机组成、数据结构与算法、编译器、操作系统、计算机网络）、编程语言（C/C++ 与 STL、多线程；Python 与语法、库如 numpy/pandas/scipy/matplotlib/scikit-learn、Cython）、大数据工具（Hadoop、Hive、Spark）和数据备份工具（rsync、Git）。
• 机器学习 — 概述与哲学、特征工程、感知机、k近邻、朴素贝叶斯、线性模型（线性/逻辑回归、最大熵）、决策树、支持向量机（包括 SMO）、liblinear、集成方法（Bagging、随机森林、Boosting、AdaBoost、GBDT、XGBoost、LightGBM、Stacking）、降维（PCA、流形学习；LDA/t-SNE/ICA/自编码器作为纯列表项出现）、EM 算法、概率图模型、HMM、CRF、聚类（k-means、高斯混合、DPMM）、主题模型（LDA）和各种技巧（损失函数、负采样）。
• 深度学习 — 概述、人工神经网络、Hopfield 网络和技巧（特征交叉、激活函数、归一化如 Batch/Layer Norm、反向传播、梯度爆炸/消失、梯度裁剪）。

组织。 笔记嵌套在分层文件夹结构中，与目录对应 — 例如，mathematics/calculus/taylor-expansion/taylor-expansion.md、machine-learning/support-vector-machine/smo/smo.md。README 本身只是一个索引；实际内容存在于那些链接的 .md 文件中。

值得注意的细节。

• 列表中有一些主题以纯文本形式出现，没有超链接（例如，AdamW、LDA 线性判别分析、t-SNE、ICA、自编码器）— README 将这些列为项目，但没有链接到笔记文件。
• 该项目主要用中文编写。
• README 中没有描述作者意图，除了笔记本身的结构 — 没有明确的目标、许可证或贡献指南。