撕开机器学习与底层算法的黑盒。
这是我从传统服务端开发（Golang/Node.js）跨界 AI 领域的核心算法与推导实战库。
面对“理论晦涩难懂，代码全靠调包”的 AI 现状，我决定回归代码本身，为每个核心算法打造 “分层式” 学习与实战体系：
- 手撕底层黑盒 (纯 NumPy)：脱离任何 AI 框架，手推矩阵求导，用底层代码还原数学逻辑，证明高深公式不过是纸老虎。
- 对标工业生产 (主流 AI 框架)：吃透底层后，提供 PyTorch 等现代工业级框架的对照实现，确保在真实生产环境里能打能抗。
不管你是：
- 🎓 正被晦涩教材折磨，急需一套“说人话”底层推导的学生
- 💻 想要跨界进入 AI 赛道，亟需补齐算法底层逻辑的开发工程师
- 🚀 厌倦了只做“调包侠”，希望在真实场景中做到“懂底层、能落地”的极客
欢迎把这里当作你的 AI 底层算法实战沙盒。
快速体验：你可以通过 公式推导手册 彻底读懂神经网络底层的反向传播，并配合 快速开始指南 亲手跑通纯 NumPy 的神经网络。5 个 Epoch 训练总耗时仅需 0.6 秒，准确率直飙 96%+！
本项目拥抱现代化的 Python 工具链，使用极致快速的 uv 作为包和项目管理工具。
# 1. 克隆仓库并进入目录
git clone git@github.com:smiletrl/machine_learning.git
cd machine_learning
# 2. 一键同步并安装全部依赖 (uv 会自动为你创建虚拟环境 .venv)
uv sync
# 3. 激活当前项目的虚拟环境
source .venv/bin/activate| 编号 | 项目名称 | 核心技术点 | 状态 | 视频教程 |
|---|---|---|---|---|
| 01 | 从零手撕神经网络 (MNIST 手写数字识别) | MNIST 识别实战, NumPy 手推反向传播 | 🟢 已完成 | 即将发布 |
| 02 | 经典机器学习核心算法纯手写 (规划中) | 决策树, SVM, K-Means, 降维理论 | 🟡 规划中 | - |
| 03 | 凸优化理论与代码实战 (规划中) | 梯度下降, 拉格朗日对偶, 损失曲面 | 🟡 规划中 | - |
| 04 | 大模型 Transformer 底层架构剖析 (规划中) | 自注意力机制, 位置编码, 矩阵分块 | 🟡 规划中 | - |
Follow my journey from traditional engineering to hardcore AI algorithms. Give it a ⭐️ if it inspires you!