机器学习是最他妈危险的知识领域，但没人用这种方式学它 这份 500+ 机器学习速查表的免费合集，是我从一开始就希望拥有的干净版本。大多数人收藏之后就再也不会打开了。这就是 MLCheatSheets。理论、公式和代码，一站式搞定。

01 完整合集 https://github.com/gurovic/MLCheatSheets 02 学习路线图 https://github.com/gurovic/MLCheatSheets/blob/main/ROADMAP.md 03 课程指南 https://github.com/gurovic/MLCheatSheets/blob/main/COURSE_GUIDE.md 04 所有速查表 https://github.com/gurovic/MLCheatSheets/tree/main/cheatsheets 05 练习题 https://github.com/gurovic/MLCheatSheets/blob/main/exercises.md 06 动画与可视化 https://github.com/gurovic/MLCheatSheets/tree/main/animations 07 环境配置与使用方法 https://github.com/gurovic/MLCheatSheets/blob/main/SETUP.md 08 插图索引表 https://github.com/gurovic/MLCheatSheets/blob/main/ILLUSTRATIONS_TABLE.md 09 项目展望与未来 https://github.com/gurovic/MLCheatSheets/blob/main/PROSPECTS.md 10 完整路径。免费。 https://github.com/gurovic/MLCheatSheets 你要么现在就打开它，要么再花一年继续收藏各种随机播放列表。收藏这条 ⭣

gurovic/MLCheatSheets

来源：https://github.com/gurovic/MLCheatSheets

🎓 机器学习速查表

License: MIT · GitHub Stars · GitHub Forks · 欢迎贡献 · Русский (俄语)

500+ 份关于机器学习与深度学习的速查表完整合集（俄语版）

作者：Владимир Гуровиц（Летово 学校）

支持方：DeepSeek、GitHub Copilot、Perplexity Comet

🚀 新动态：欢迎了解项目发展愿景——探索面向用户的未来功能与资源！

📚 关于项目

ML Cheatsheets 是一套免费的教育类速查材料合集，涵盖机器学习所有核心主题——从基础算法到现代神经网络架构。每份速查表包含：

• ✅ 理论基础
• ✅ 数学公式
• ✅ Python 代码示例
• ✅ 可视化与图表
• ✅ 实践应用建议

🚀 快速开始

适合初学者

1. 阅读课程指南——了解如何高效学习
2. 学习学习路线图——选择适合自己的路径
3. 从基础开始——“数据准备“章节和基础算法
4. 多加练习——完成练习题
5. 深入进阶——转向高级主题

安装依赖

# 克隆仓库
git clone https://github.com/gurovic/MLCheatSheets.git
cd MLCheatSheets

# 安装练习所需依赖
pip install -r requirements.txt

# （可选）如需使用动画功能
pip install -r animations/requirements.txt

详细的安装说明请参见 SETUP.md。

🎯 如何使用本课程

学习结构

本项目按照完整的机器学习自学课程组织。以下是高效使用方式：

1️⃣ 选择你的路径

• 机器学习零基础？ → 从新手路径开始
• 想专攻深度学习？ → 跟随深度学习专家路径
• 准备找工作？ → 学习ML Engineer 路径
• 需要特定主题？ → 使用目录导航快速定位

2️⃣ 学习理论

• 从下方列表中打开所需的速查表
• 研读理论基础和数学公式
• 分析代码示例

3️⃣ 实践练习

• 完成相应的练习题
• 尝试修改速查表中的代码
• 在真实数据集上应用所学知识

4️⃣ 深化理解

• 观看动画与可视化
• 通过交叉链接学习相关主题
• 阅读项目展望了解知识的应用前景

高效学习建议

💡 不要急于求成——深入理解一个算法，胜过肤浅地学十个 💡 定期练习——每个主题完成后都完成练习题 💡 做项目——在自己的数据上实践所学知识 💡 回顾基础——定期重新温习基础主题 💡 善用路线图——它能帮你不在海量材料中迷失方向

📖 目录

• 📘 I. 经典机器学习（32 个章节，250+ 份速查表）
• 🧠 II. 深度学习（27 个章节，200+ 份速查表）
• 🔬 III. 机器学习杂项主题（6 个章节，50+ 份速查表）
• 💪 实验性 实践练习（8 个带解答的练习）
• 🎥 实验性 动画与可视化

🗺️ 推荐学习路径

🌱 新手路径（3-6 个月）

从零开始学习 ML 基础：Python → 理论 → 数据准备 → 经典算法 → 集成方法

🚀 深度学习专家路径（4-8 个月）

从神经网络基础到 Transformer 和生成式模型

💼 ML Engineer 路径（2-4 个月）

生产级 ML、MLOps、模型可解释性与部署

🎯 领域专精路径

计算机视觉（CV）、自然语言处理（NLP）、时间序列（Time Series）、强化学习（Reinforcement Learning）

📋 章节导航

• 经典机器学习
• 深度学习
• 机器学习杂项主题

I 经典机器学习

1. 🎨 数据准备

1. 数据预处理 (Preprocessing)
2. 数据预处理（缺失值、编码）
3. 异常值处理
4. 类别特征编码
5. 缩放与归一化
6. 特征选择 (Feature Selection)
7. 降维 (Dimensionality Reduction)
8. 类别不平衡处理 (Imbalanced Data)

2. 🎨 分类

1. 逻辑回归
2. 支持向量机 (SVM)
3. 朴素贝叶斯 (Naive Bayes)
4. K 近邻 (k-NN)
5. 分类决策树
6. 随机森林分类
7. 集成方法（投票、堆叠）

3. 🎨 回归

1. 线性回归
2. 多项式回归
3. Ridge、Lasso、ElasticNet
4. 回归决策树
5. 随机森林回归
6. 正则化方法
7. 非参数回归

4. 🎨 聚类

1. K-means 与 K-means++
2. 层次聚类
3. DBSCAN
4. OPTICS
5. 高斯混合模型 (GMM)
6. 聚类评估指标
7. 聚类数量选择
8. 谱聚类 (Spectral Clustering)
9. 均值漂移 (Mean Shift)
10. 亲和传播 (Affinity Propagation)
11. BIRCH
12. CURE
13. CLARANS
14. HDBSCAN
15. 子空间聚类 (Subspace Clustering)

5. 降维

1. PCA（主成分分析）
2. t-SNE
3. UMAP
4. LDA（线性判别分析）
5. SVD（奇异值分解）
6. 线性自编码器
7. 流形学习 (Manifold Learning)
8. Isomap
9. LLE（局部线性嵌入）
10. MDS（多维缩放）
11. 谱嵌入 (Spectral Embedding)
12. 核 PCA (Kernel PCA)

6. 模型评估与验证

1. 分类评估指标
2. 混淆矩阵 (Confusion Matrix)
3. ROC 与 AUC
4. 回归评估指标
5. 交叉验证
6. 学习曲线
7. 模型校准
8. 模型比较的统计检验
9. 统计检验（t 检验、McNemar 检验）
10. [学习曲线与验证曲线](https://html-p