10 个深入学习 AI 工程的 GitHub 仓库！

1. https://github.com/Avik-Jain/100-Days-Of-ML-Code…
2. https://github.com/Shubhamsaboo/awesome-llm-apps…
3. https://github.com/owainlewis/awesome-artificial-intelligence…
4. https://github.com/microsoft/generative-ai-for-beginners…
5. https://github.com/microsoft/ai-agents-for-beginners…
6. https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools…
7. https://github.com/punkpeye/awesome-mcp-servers…
8. https://github.com/NirDiamant/RAG_TECHNIQUES…
9. https://github.com/panaversity/learn-agentic-ai…
10. https://github.com/rasbt/LLMs-from-scratch…

收藏它！

Avik-Jain/100-Days-Of-ML-Code

来源：https://github.com/Avik-Jain/100-Days-Of-ML-Code

100-Days-Of-ML-Code

由 Siraj Raval (https://github.com/llSourcell) 提议的 100 天机器学习编程挑战。

从这里获取数据集 (https://github.com/Avik-Jain/100-Days-Of-ML-Code/tree/master/datasets)

数据预处理 | 第 1 天

在这里查看代码 (https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day%201_Data%20PreProcessing.md)。

简单线性回归 | 第 2 天

在这里查看代码 (https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day2_Simple_Linear_Regression.md)。

多元线性回归 | 第 3 天

在这里查看代码 (https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day3_Multiple_Linear_Regression.md)。

逻辑回归 | 第 4 天

逻辑回归 | 第 5 天

在 #100DaysOfMLCode 挑战中，今天我深入研究了逻辑回归的本质及其背后的数学原理。学习了如何计算成本函数，以及如何将梯度下降算法应用于成本函数以最小化预测误差。由于时间有限，我将在接下来的日子里隔天发布一张信息图（Infographic）。另外，如果有人想帮助我进行代码文档整理，并且在该领域已有一定经验且熟悉 GitHub 的 Markdown 语法，请通过 LinkedIn 联系我 :) 。

实现逻辑回归 | 第 6 天

在这里查看代码 (https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day%206%20Logistic%20Regression.md)

K 近邻算法 (KNN) | 第 7 天

逻辑回归背后的数学原理 | 第 8 天

#100DaysOfMLCode 为了澄清我对逻辑回归的理解，我在互联网上搜索了一些资源或文章，并遇到了 Saishruthi Swaminathan 写的这篇文章 (https://towardsdatascience.com/logistic-regression-detailed-overview-46c4da4303bc)。它对逻辑回归进行了详细描述。务必查阅一下。

支持向量机 (SVM) | 第 9 天

对 SVM 是什么以及如何使用它来解决分类问题有了直观的认识。

SVM 和 KNN | 第 10 天

进一步了解了 SVM 的工作原理，并实现了 K-NN 算法。

实现 K-NN | 第 11 天

实现了用于分类的 K-NN 算法。 #100DaysOfMLCode 支持向量机信息图已完成一半。明天更新。

支持向量机 (SVM) | 第 12 天

朴素贝叶斯分类器 | 第 13 天

继续 #100DaysOfMLCode 挑战，今天我研究了朴素贝叶斯分类器。我还正在使用 scikit-learn 在 Python 中实现 SVM。很快会更新代码。

实现 SVM | 第 14 天

今天我在线性相关数据上实现了 SVM。使用了 Scikit-Learn 库。在 Scikit-Learn 中，我们使用 SVC 分类器来完成此任务。在下一次实现中，将使用核技巧（Kernel Trick）。 在这里查看代码 (https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day%2013%20SVM.md)。

朴素贝叶斯分类器与黑盒机器学习 | 第 15 天

了解了不同类型的朴素贝叶斯分类器。另外，开始观看 Bloomberg 的课程 (https://bloomberg.github.io/foml/#home)。播放列表中的第一个视频是“黑盒机器学习”。它全面概述了预测函数、特征提取、学习算法、性能评估、交叉验证、样本偏差、非平稳性、过拟合和超参数调优。

使用核技巧实现 SVM | 第 16 天

使用 Scikit-Learn 库实现了 SVM 算法以及核函数，该函数将数据点映射到更高维度以找到最优超平面。

开始在 Coursera 上学习深度学习专项课程 | 第 17 天

在一天内完成了第一周和第二周的所有内容。学习了作为神经网络的逻辑回归。

Coursera 上的深度学习专项课程 | 第 18 天

完成了深度学习专项课程的第一门课程。在 Python 中实现了一个神经网络。

学习问题，Yaser Abu-Mostafa 教授 | 第 19 天

开始了加州理工学院（Caltech）机器学习课程 CS 156 的第 1 讲（共 18 讲），由 Yaser Abu-Mostafa 教授授课。这基本上是对后续讲座的介绍。他还解释了感知机算法。

开始深度学习专项课程第二门课 | 第 20 天

完成了《改进深度神经网络：超参数调优、正则化和优化》的第一周内容。

网络爬虫 | 第 21 天

观看了一些关于如何使用 Beautiful Soup 进行网络爬虫的教程，以收集构建模型所需的数据。

学习是否可行？ | 第 22 天

加州理工学院（Caltech）机器学习课程 CS 156 的第 2 讲（共 18 讲），由 Yaser Abu-Mostafa 教授授课。了解了霍夫丁不等式（Hoeffding Inequality）。

决策树 | 第 23 天

统计学习理论简介 | 第 24 天

Bloomberg 机器学习课程的讲座 3 介绍了一些核心概念，如输入空间、动作空间、结果空间、预测函数、损失函数和假设空间。

实现决策树 | 第 25 天

在这里查看代码。(https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day%2025%20Decision%20Tree.md)

临时突击线性代数 | 第 26 天

在 YouTube 上发现了一个极好的频道 3Blue1Brown (https://www.youtube.com/channel/UCYO_jab_esuFRV4b17AJtAw)。它有一个名为《线性代数的本质》的播放列表。通过观看前 4 个视频，对向量、线性组合、跨度、基向量、线性变换和矩阵乘法有了全面的了解。 播放列表链接：(https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab)

临时突击线性代数 | 第 27 天

继续观看播放列表，完成了接下来的 4 个视频，讨论了三维变换、行列式、逆矩阵、列空间、零空间和非方阵。 播放列表链接：(https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab)

临时突击线性代数 | 第 28 天

在 3Blue1Brown 的播放列表中完成了《线性代数的本质》的另外 3 个视频。涵盖的主题包括点积和叉积。 播放列表链接：(https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab)

临时突击线性代数 | 第 29 天

今天完成了整个播放列表，即视频 12-14。这是一个极佳的播放列表，用于复习线性代数概念。涵盖的主题包括基变换、特征向量和特征值，以及抽象向量空间。 播放列表链接：(https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab)

微积分的本质 | 第 30 天

在观看 3blue1brown 的《线性代数的本质》播放列表时，YouTube 推荐了同一频道 3Blue1Brown 的另一系列视频。鉴于之前的线性代数系列让我印象深刻，我直接投入其中。完成了大约 5 个视频，主题包括导数、链式法则、乘积法则以及指数函数的导数。 播放列表链接：(https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr)

微积分的本质 | 第 31 天

观看了《微积分的本质》播放列表中关于隐函数微分和极限的 2 个视频。 播放列表链接：(https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr)

微积分的本质 | 第 32 天

观看了剩余的 4 个视频，涵盖积分和高阶导数等主题。 播放列表链接：(https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr)

随机森林 | 第 33 天

实现随机森林 | 第 34 天

在这里查看代码。(https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day%2034%20Random_Forest.md)

但神经网络到底是什么？ | 深度学习，第 1 章 | 第 35 天

3Blue1Brown YouTube 频道关于神经网络的精彩视频。这个视频有助于理解神经网络，并使用手写数字数据集来解释概念。 视频链接：(https://www.youtube.com/watch?v=aircAruvnKk&t=7s)

梯度下降，神经网络如何学习 | 深度学习，第 2 章 | 第 36 天

3Blue1Brown YouTube 频道关于神经网络的第二部分。这个视频以有趣的方式解释了梯度下降的概念。必看且高度推荐。 视频链接：(https://www.youtube.com/watch?v=IHZwWFHWa-w)

反向传播到底在做什么？ | 深度学习，第 3 章 | 第 37 天

3Blue1Brown YouTube 频道关于神经网络的第三部分。这个视频主要讨论了偏导数和反向传播。 视频链接：(https://www.youtube.com/watch?v=Ilg3gGewQ5U)

反向传播的微积分 | 深度学习，第 4 章 | 第 38 天

3Blue1Brown YouTube 频道关于神经网络的第四部分。目标是用更正式的术语来表达反向传播如何工作的直觉，视频主要讨论了偏导数和反向传播。 视频链接：(https://www.youtube.com/watch?v=tIeHLnjs5U8)

使用 Python、TensorFlow 和 Keras 进行深度学习的教程 | 第 39 天

视频链接：(https://www.youtube.com/watch?v=wQ8BIBpya2k&t=19s&index=2&list=PLQVvvaa0QuDfhTox0AjmQ6tvTgMBZBEXN)

加载你自己的数据 - 使用 Python、TensorFlow 和 Keras 的深度学习基础 第 2 部分 | 第 40 天

视频链接：(https://www.youtube.com/watch?v=j-3vuBynnOE&list=PLQVvvaa0QuDfhTox0AjmQ6tvTgMBZBEXN&index=2)

卷积神经网络 - 使用 Python、TensorFlow 和 Keras 的深度学习基础 第 3 部分 | 第 41 天

视频链接：(https://www.youtube.com/watch?v=WvoLTXIjBYU&list=PLQVvvaa0QuDfhTox0AjmQ6tvTgMBZBEXN&index=3)

使用 TensorBoard 分析模型 - 使用 Python、TensorFlow 和 Keras 的深度学习 第 4 部分 | 第 42 天

视频链接：(https://www.youtube.com/watch?v=BqgTU7_cBnk&list=PLQVvvaa0QuDfhTox0AjmQ6tvTgMBZBEXN&index=4)

K-Means 聚类 | 第 43 天

转向无监督学习，研究了聚类。正在建设我的网站，欢迎查看 avikjain.me (http://www.avikjain.me/) 另外发现了一个精彩的动画，有助于轻松理解 K-Means 聚类。 链接：(http://shabal.in/visuals/kmeans/6.html)

K-Means 聚类实现 | 第 44 天

实现了 K-Means 聚类。 在这里查看代码 这里。

深入挖掘 | NUMPY | 第 45 天

获得了一本新书 JK VanderPlas 著的《Python Data Science Handbook》。 在这里查看 Jupyter notebooks。(https://github.com/jakevdp/PythonDataScienceHandbook) 从第 2 章开始：NumPy 简介。涵盖的主题包括数据类型、NumPy 数组以及在 NumPy 数组上的计算。 查看代码 - NumPy 简介 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/02.00-Introduction-to-NumPy.ipynb) 理解 Python 中的数据类型 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/02.01-Understanding-Data-Types.ipynb) NumPy 数组基础 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/02.02-The-Basics-Of-NumPy-Arrays.ipynb) 在 NumPy 数组上的计算：通用函数 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/02.03-Computation-on-arrays-ufuncs.ipynb)

深入挖掘 | NUMPY | 第 46 天

第 2 章：聚合、比较和广播 Notebook 链接： 聚合：最小值、最大值及介于两者之间的值 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/02.04-Computation-on-arrays-aggregates.ipynb) 在数组上的计算：广播 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/02.05-Computation-on-arrays-broadcasting.ipynb) 比较、掩码和布尔逻辑 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/02.06-Boolean-Arrays-and-Masks.ipynb)

深入挖掘 | NUMPY | 第 47 天

第 2 章：花式索引、排序数组、结构化数据 Notebook 链接： 花式索引 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/02.07-Fancy-Indexing.ipynb) 排序数组 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/02.08-Sorting.ipynb) 结构化数据：NumPy 的结构化数组 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/02.09-Structured-Data-NumPy.ipynb)

深入挖掘 | PANDAS | 第 48 天

第 3 章：使用 Pandas 进行数据操作 涵盖了各种主题，如 Pandas 对象、数据索引和选择、数据操作、处理缺失数据、分层索引、Concat 和 Append。 Notebook 链接： 使用 Pandas 进行数据操作 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.00-Introduction-to-Pandas.ipynb) 介绍 Pandas 对象 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.01-Introducing-Pandas-Objects.ipynb) 数据索引和选择 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.02-Data-Indexing-and-Selection.ipynb) 在 Pandas 中操作数据 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.03-Operations-in-Pandas.ipynb) 处理缺失数据 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.04-Missing-Values.ipynb) 分层索引 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.05-Hierarchical-Indexing.ipynb) 组合数据集：Concat 和 Append (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.06-Concat-And-Append.ipynb)

深入挖掘 | PANDAS | 第 49 天

第 3 章：完成了以下主题 - Merge 和 Join、聚合和分组以及透视表。 组合数据集：Merge 和 Join (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.07-Merge-and-Join.ipynb) 聚合和分组 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.08-Aggregation-and-Grouping.ipynb) 透视表 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.09-Pivot-Tables.ipynb)

深入挖掘 | PANDAS | 第 50 天

第 3 章：向量化字符串操作、处理时间序列 Notebook 链接： 向量化字符串操作 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.10-Working-With-Strings.ipynb) 处理时间序列 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.11-Working-with-Time-Series.ipynb) 高性能 Pandas：eval() 和 query() (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/03.12-Performance-Eval-and-Query.ipynb)

深入挖掘 | MATPLOTLIB | 第 51 天

第 4 章：使用 Matplotlib 进行可视化 学习了简单折线图、简单散点图以及密度和等高线图。 Notebook 链接： 使用 Matplotlib 进行可视化 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/04.00-Introduction-To-Matplotlib.ipynb) 简单折线图 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/04.01-Simple-Line-Plots.ipynb) 简单散点图 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/04.02-Simple-Scatter-Plots.ipynb) 可视化误差 (https://github.com/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/04.03-Errorbars.ipynb) 密度和等高线图 (https://github.com