#Machine Learning

ML-From-Scratch

本项目使用Python从零实现多个机器学习模型与算法，旨在展示其内部运作。涵盖监督学习、非监督学习、强化学习和深度学习，并提供多项式回归、CNN分类、生成对抗网络等实际案例，适合希望深入理解机器学习原理的开发者和爱好者。

Qix

页面提供丰富的深度学习、机器学习、Golang、PostgreSQL数据库、分布式系统和数据库系统的学习资源。用户可找到相关文档的中文翻译和详细章节链接。项目欢迎PR贡献，如发现错误信息，请通过反馈联系作者。

machine-learning-interview

本指南为准备机器学习面试的候选人提供全面的学习计划，涵盖YouTube推荐系统设计、LinkedIn信息流排名和广告点击预测等实际案例分析。通过大公司的真实面试问题，覆盖从基本的机器学习概念到深度学习和大数据的进阶主题，帮助求职者在Facebook、Amazon、Apple和Google等顶尖公司中脱颖而出。还提供详细的面试准备清单和成功案例分享，帮助求职者积累实战经验。

deep-learning-coursera

Coursera上的深度学习专项课程，帮助学习者掌握神经网络和深度学习的关键概念与技术。课程由知名教授Andrew Ng讲授，涵盖基础神经网络构建、参数优化、卷积神经网络和序列模型的实际应用。课程包括丰富的编程作业和案例研究，帮助学习者通过实践巩固知识。无论初学者还是有经验的开发者，都能通过该课程提升深度学习技能，进入人工智能领域。

machine-learning-roadmap

提供涵盖机器学习问题、流程、工具、数学基础和资源的完整路线图，帮助学习者全面掌握机器学习的核心内容。包含从问题定义到解决方案实施的详细步骤，并推荐相关学习资源，适合机器学习初学者和进阶者。

awesome-project-ideas

提供30多个深度学习和机器学习项目创意，从入门到研究级别，适用于学术界和工业界。涵盖黑客松创意、文本处理、时间序列预测、推荐系统、图像和视频处理、音乐和音频处理等多个领域，帮助开发者和研究人员实践最新技术。

Production-Level-Deep-Learning

本项目提供全面的工程指南，指导在实际应用中部署生产级深度学习系统。涵盖数据管理、开发、训练、评估、测试和部署等关键模块，并推荐最佳实践和工具。内容借鉴Full Stack Deep Learning Bootcamp、TFX Workshop和Pipeline.ai的高级KubeFlow Meetup，确保用户应对从模型训练到生产部署的各种挑战。

Machine-Learning-Interviews

该指南专为机器学习工程师和应用科学家职位的技术面试设计，特别适用于FAANG等大厂。内容包括算法与数据结构、机器学习编码、系统设计、基础知识和行为面试模块。作者基于自身的面试经验和笔记编写，分享如何有效准备常见面试模块。尽管不同公司的机器学习面试结构有所不同，本指南的模块对其他相关职位也有参考价值，帮助应聘者更好地应对机器学习领域的技术挑战。

handson-ml

该项目通过Python教授机器学习基本原理，包含《Hands-on Machine Learning with Scikit-Learn and TensorFlow》书中的示例代码和习题解答。用户可以使用Colab、Binder和Deepnote在线体验这些notebooks，或通过Anaconda在本地安装项目进行学习。详细介绍了安装步骤和常见问题解决方法，帮助用户理解和应用机器学习技术。