ML-For-Beginners 仓库 AGENTS.md 全解析从环境搭建到贡献协作的完整实战指南【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners导读本文以 translations/da/AGENTS.mdMachine Learning for Beginners 仓库的丹麦语版代理指南为骨架系统梳理这个 12 周、26 课、52 个测验的经典机器学习课程仓库的开发与协作全流程。读完本文你将掌握仓库的目录组织方式、Python/R/Jupyter/Vue.js 多技术栈的环境搭建命令、Quiz 应用与 Docsify 文档站的开发、测试与部署路径、自动化翻译流水线的工作机制以及作为内容贡献者提交 Pull Request 的完整规范。文中所有命令与路径均已对照仓库真实文件逐一核实可直接复制运行。一、项目概览这是一个什么样的仓库Machine Learning for Beginners是一个面向自学者的机器学习课程仓库覆盖**经典机器学习Classic ML**概念教学语言以 Python主力 Scikit-learn 生态为主同时提供 R 语言替代实现。课程通过来自全球不同文化与地区的真实数据集展开每个主题都配套可动手操作的项目、测验与作业。从 AGENTS.md 与仓库实际内容可以确认以下关键组成教学内容26 课覆盖 ML 导论、回归Regression、分类Classification、聚类Clustering、NLP、时间序列Time Series、强化学习Reinforcement Learning七大主题Quiz 应用基于 Vue.js 的测验应用提供课前与课后测验pre-/post-lesson assessments多语言支持通过 GitHub Actions 自动翻译到 40 种语言仓库中的 translations/ 目录即存放着自动生成的各语种翻译每语种约 99 个 Markdown 文件与 51 个 Notebook双语言教学支持PythonJupyter Notebook与 RR Markdown两种版本并存项目式学习每个主题包含实战项目与作业。仓库根目录的 README.md、for-teachers.md 以及docs/_sidebar.md侧边栏共同构成了课程的入口导航docs/_sidebar.md 中可以看到从1-Introduction到9-Real-World的完整课程路线图。二、仓库目录结构与每课标准组成AGENTS.md 给出了清晰的顶层结构与仓库实际布局一致ML-For-Beginners/ ├── 1-Introduction/ # ML 基础、历史、公平性、技术方法 ├── 2-Regression/ # Python/R 回归模型 ├── 3-Web-App/ # Flask Web 应用用于 ML 模型部署 ├── 4-Classification/ # 分类算法 ├── 5-Clustering/ # 聚类技术 ├── 6-NLP/ # 自然语言处理 ├── 7-TimeSeries/ # 时间序列预测 ├── 8-Reinforcement/ # 强化学习 ├── 9-Real-World/ # 真实世界 ML 应用 ├── quiz-app/ # Vue.js 测验应用 ├── translations/ # 自动生成的翻译 └── sketchnotes/ # 视觉学习辅助材料每个课程子目录的典型组成以 2-Regression/1-Tools/ 为例可验证README.md—— 该课的主体教学内容notebook.ipynb—— Python Jupyter Notebooksolution/—— 参考答案代码Python 与 R 两个版本通常包含.ipynb、.Rmd、.md、.html等格式assignment.md—— 练习作业images/—— 视觉资源示意图、图表等data/部分课程—— 课程配套数据集例如 2-Regression/data/US-pumpkins.csv、4-Classification/data/cuisines.csv、7-TimeSeries/data/energy.csv。以 3-Web-App 为例其解决方案目录 3-Web-App/1-Web-App/solution/ 中可以看到完整的 Flask 应用工程结构notebook.ipynb训练 Notebook、ufo-model.pklpickle 序列化后的模型、web-app/含 app.py、requirements.txt、static/、templates/与 AGENTS.md 描述的solution/结构完全对应。三、环境搭建四大场景的完整安装命令3.1 Python 课程Jupyter 生态绝大多数课程使用 Jupyter Notebook安装步骤如下# 确认 Python 3.8 已安装 python --version # 安装 Jupyter pip install jupyter # 安装常用 ML 库 pip install scikit-learn pandas numpy matplotlib seaborn # 特定课程需要额外依赖例如 Web App 课程 pip install flask仓库中 3-Web-App/1-Web-App/solution/web-app/requirements.txt 真实列出的依赖为scikit-learn、pandas、numpy、flask与上述命令一致。时间序列课程则会在 Notebook 中额外使用statsmodelsARIMA 建模与keras部分版本使用深度学习模型具体以各课 Notebook 的import语句为准。3.2 R 课程R 课程位于各课的solution/目录下文件格式为.rmdR Markdown或.ipynb例如 2-Regression/1-Tools/solution/ 中同时存在 R 与 Python 两个版本的解决方案。安装依赖# 在 R 控制台中执行 install.packages(c(tidyverse, tidymodels, caret))R 生态以tidyverse数据整理、tidymodels建模工作流、caret分类与回归训练为核心这也是仓库对 R 教学的定位。3.3 Quiz 应用Vue.jsQuiz 应用位于 quiz-app/cd quiz-app npm installquiz-app/package.json 显示其依赖核心为vue^3.5.12Vue 3、vue-i18n国际化、vue-router开发依赖为 Vue CLI 5vue/cli-service与 ESLint 9。3.4 文档站Docsify仓库使用 Docsify 渲染文档站点无构建步骤直接由 Markdown 驱动# 全局安装 Docsify CLI npm install -g docsify-cli # 在仓库根目录启动本地服务 docsify serve # 浏览器访问 http://localhost:3000根目录的 index.html 是 Docsify 的入口配置其中声明了relativePath: true启用相对路径链接与auto2top: true并加载了docsify-themeable主题。四、开发工作流Notebook、Quiz 与 R 的日常操作4.1 课程 Notebook 的开发流程进入课程目录例如2-Regression/1-Tools/打开 Jupyter Notebookjupyter notebook notebook.ipynb按顺序完成课程内容与练习需要时参考solution/目录中的参考答案。4.2 Python 开发约定使用标准数据科学库Scikit-learn、Pandas、NumPy、MatplotlibNotebook 内嵌 Markdown 单元格解释概念每个课程的solution/目录提供参考答案。一个典型的课程 Notebook 工作流可以从 3-Web-App/1-Web-App/notebook.ipynb 窥见先用 Pandas 读取 UFO 目击数据集、清洗数据再用LogisticRegression训练分类模型最后通过pickle.dump将模型序列化为.pkl文件供 Flask 应用加载。4.3 R 开发约定R 课程使用.rmdR Markdown格式解决方案位于各课solution/子目录推荐使用 RStudio或在 Jupyter 中安装 R kernelIRkernel运行 R Notebook。4.4 Quiz 应用开发cd quiz-app # 启动开发服务器访问 http://localhost:8080 npm run serve # 生产构建 npm run build # 代码检查与自动修复 npm run lintQuiz 应用的源码结构见 quiz-app/src/App.vue为根组件、components/Quiz.vue 为测验组件、router/index.js 定义路由、views/Home.vue与views/NotFound.vue为页面视图assets/translations/下存放多语言文案en、es、fr、it、ja、ptbr、tr 等。五、测试与质量验证AGENTS.md 明确指出这是一个教育型课程仓库教学内容没有自动化测试。质量验证通过以下方式完成完成课程练习确保 Notebook 各单元格成功运行将输出结果与solution/中的参考答案对比。对于 Quiz 应用则可通过 Lint 与构建进行验证cd quiz-app # 代码规范检查 npm run lint # 构建验证无报错 npm run buildquiz-app/package.json 中的eslintConfig扩展了plugin:vue/essential与eslint:recommended使用vue-cli-service lint执行检查与修复。六、构建与部署6.1 Quiz 应用部署到 Azure Static Web Apps前提条件Azure 账号、已 fork 的 GitHub 仓库。部署步骤创建 Azure Static Web App 资源连接到 GitHub 仓库应用位置App location设为/quiz-app输出位置Output location设为distAzure 会自动生成 GitHub Actions workflow.github/workflows/azure-static-web-apps-*.ymlpush 到 main 分支时自动构建并部署。dist正是npm run build的生产构建输出目录。quiz-app/public/routes.json 中的 SPA 回退路由/*一律 serveindex.html保证了前端路由在静态托管环境下的可用性。6.2 文档 PDF 生成仓库根目录 package.json 提供convert脚本基于docsify-to-pdf工具将文档转换为 PDFnpm install npm run convert其转换配置见 docsifytopdf.js以docs/_sidebar.md为目录TOC输入输出到pdf/readme.pdf并设置了打印页边距margin: { top: 100px, bottom: 100px }。仓库 pdf/readme.pdf 即该流程的产物。七、翻译工作流自动化的多语言流水线这是本仓库最具特色的协作机制之一AGENTS.md 给出了明确约束翻译由 GitHub Actions 中的Co-op Translator自动完成当内容 push 到main分支时翻译自动生成严禁手动翻译内容—— 系统会自动处理翻译使用 Azure AI / OpenAI 服务支持 40 种语言。仓库 translations/ 目录印证了这一点包含ar、da、de、es、fr、ja、ko、zh-CN、zh-TW等 50 个语种目录每语种约 99 个 Markdown 与 51 个 Notebook 文件translated_images/ 则存放各语种翻译后的图片资源每种约 153 张 webp 图片。需要注意translations/下的文件属于自动生成产物不应手动编辑内容修改应作用于根目录的英文源文件。例如本文所依据的 translations/da/AGENTS.md 即为 AGENTS.md 的丹麦语自动翻译版本。八、贡献指南如何正确提交 Pull Request8.1 内容贡献者流程Fork 仓库并创建功能分支修改课程内容新增/更新课程时不要修改已翻译的文件—— 它们由流水线自动生成测试你的代码—— 确保所有 Notebook 单元格成功运行验证链接与图片可正常工作提交 Pull Request并附清晰描述。8.2 Pull Request 规范标题格式[Section] 变更的简短描述示例[Regression] Fix typo in lesson 5示例[Quiz-App] Update dependencies提交前检查所有 Notebook 单元格无报错执行修改 Quiz 应用时运行npm run lint验证 Markdown 格式测试新增的代码示例。PR 必须包含变更描述、变更原因、UI 变更时的截图。行为准则遵循 CODE_OF_CONDUCT.mdCLA需要签署 Contributor License Agreement。仓库根目录的 CONTRIBUTING.md 与 SECURITY.md、SUPPORT.md 共同构成了完整的开源协作配套文档体系。九、课程结构模板每课的七步学习模式AGENTS.md 定义了每节课统一遵循的七步结构这也是学习者使用本仓库的最佳路径课前测验Pre-lecture quiz—— 检验基础知识课程内容Lesson content—— 书面讲解与说明代码演示Code demonstrations—— Notebook 中的动手示例知识检查Knowledge checks—— 学习过程中的理解确认挑战Challenge—— 独立应用概念作业Assignment—— 扩展练习课后测验Post-lecture quiz—— 评估学习成果。以 7-TimeSeries/1-Introduction/README.md 为例其开篇即包含课前测验链接、概念讲解时间序列、时间序列分析、时间序列预测的定义、数据集说明GEFCom2014 电力负荷竞赛数据并配套 common/utils.py 工具函数load_data加载数据、mape计算平均绝对百分比误差、create_evaluation_df构造评估数据框完全符合上述模式。十、常用命令速查表# Python / Jupyter jupyter notebook # 启动 Jupyter 服务器 jupyter notebook notebook.ipynb # 打开指定 Notebook pip install -r requirements.txt # 安装依赖存在时 # Quiz 应用 cd quiz-app npm install # 安装依赖 npm run serve # 开发服务器 npm run build # 生产构建 npm run lint # 代码检查与修复 # 文档 docsify serve # 本地文档服务 npm run convert # 生成 PDF # Git 工作流 git checkout -b feature/my-change # 创建功能分支 git add . # 暂存变更 git commit -m Description # 提交 git push origin feature/my-change # 推送到远程十一、关键技术栈一览技术用途仓库依据PythonScikit-learn、Pandas、NumPy、MatplotlibML 课程主力语言各课notebook.ipynbRtidyverse、tidymodels、caret替代实现各课solution/下的.rmd/.ipynbJupyterPython 课程交互式环境各课notebook.ipynbR MarkdownR 课程文档格式solution/下的.rmd文件Vue.js 3Quiz 应用框架quiz-app/package.jsonFlaskML 模型部署的 Web 框架3-Web-App/1-Web-App/solution/web-app/app.pyDocsify文档站点生成器index.htmlGitHub ActionsCI/CD 与自动化翻译.github/workflows/其中 Flask 部署的典型实现可以直接在 app.py 中查看加载ufo-model.pkl模型/predict路由接收表单参数并调用model.predict()返回预测国家。此外4-Classification/4-Applied/solution/ 还提供了将 Scikit-learn 模型导出为 ONNX 格式model.onnx并在浏览器中运行的替代方案对应 AGENTS.md 提到的 ONNX 部署路线。十二、安全注意事项代码中不存放机密切勿提交 API 密钥或凭据依赖管理保持 npm 与 pip 包及时更新用户输入Flask Web 应用示例包含基础输入校验如 app.py 中对表单值执行int(x)类型转换敏感数据示例数据集均为公开、非敏感数据UFO 目击记录、南瓜价格、电力负荷、菜系配方等。十三、常见问题排查Troubleshooting13.1 Jupyter Notebook内核问题单元格卡住时重启内核Kernel → Restart导入错误用 pip 确保所需包已安装路径问题在 Notebook 所在目录下运行。13.2 Quiz 应用npm install 失败清理 npm 缓存npm cache clean --force端口冲突更换端口npm run serve -- --port 8081构建错误删除node_modules后重新安装rm -rf node_modules npm install注意请在本地开发环境中执行勿在工作区目录随意删除依赖。13.3 R 课程包未找到install.packages(package-name)安装RMarkdown 渲染问题确保已安装rmarkdown包内核问题可能需要为 Jupyter 安装 IRkernel。十四、项目定位与使用建议AGENTS.md 末尾对仓库定位做了重要澄清值得每一位使用者牢记这是一个学习型课程learning curriculum不是生产级代码核心目标是通过动手实践理解 ML 概念代码示例优先可读性而非性能优化大多数课程相互独立可单独完成参考答案存在但学习者应先自己尝试仓库使用 Docsify 提供 Web 文档无构建步骤Sketchnotes如 sketchnotes/ml-regression.png提供概念的可视化总结多语言支持使内容全球可访问。据此推荐的学习路径是按课程编号顺序推进1-Introduction → 2-Regression → 3-Web-App → 4-Classification → 5-Clustering → 6-NLP → 7-TimeSeries → 8-Reinforcement → 9-Real-World每课先做课前测验再阅读 README、运行 Notebook最后独立完成挑战与作业并核对参考答案。结语从环境搭建、开发工作流、测试验证、部署发布到自动化翻译与贡献规范translations/da/AGENTS.md 为这个经典 ML 课程仓库提供了完整的工程化协作蓝本。无论你是想快速上手学习经典机器学习还是准备为课程内容贡献力量都可以直接依照本文梳理的命令与流程展开行动。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考