ML Learning Journey

这是一个个人机器学习与深度学习学习项目，用来记录从 Python 数据分析、传统机器学习、深度学习、NLP / LLM 到时间序列深度学习的完整练习过程。

项目以 Jupyter Notebook 为主，每个阶段围绕一个主题展开，包含基础概念、代码实验、模型训练、结果分析和阶段复盘笔记。

项目结构

ml-learning/
├── stage01-python-data-analysis/          # Python 与数据分析基础
├── stage02-machine-learning/              # 传统机器学习算法
├── stage03-deep-learning/                 # PyTorch 与深度学习基础
├── stage04-nlp-llm/                       # NLP、Transformer、LLM、RAG 基础
└── stage05-time-series-deep-learning/     # 时间序列与深度学习预测

学习阶段

Stage 01：Python Data Analysis

主要内容：

• Python 基础语法
• CSV 数据读取与分析
• pandas 基础操作
• 简单数据统计与可视化

入口文件：

• stage01-python-data-analysis/README.md
• stage01-python-data-analysis/01_python.ipynb

Stage 02：Machine Learning

主要内容：

• 线性回归、逻辑回归
• 决策树、随机森林、KNN、SVM
• 朴素贝叶斯、KMeans、PCA
• XGBoost、LightGBM
• 异常检测、时间序列机器学习
• 交叉验证与网格搜索
• Titanic 项目练习

复盘笔记：

• stage02-machine-learning/stage02_summary.md

Stage 03：Deep Learning

主要内容：

• PyTorch Tensor
• 自动求导 Autograd
• 神经网络基础
• 分类与回归任务
• MNIST 手写数字分类
• CNN 基础
• 模型保存与加载
• 过拟合与正则化

复盘笔记：

• stage03-deep-learning/stage03_summary.md

Stage 04：NLP / LLM

主要内容：

• 文本数字化
• Embedding
• 文本分类
• Attention 与 Transformer
• GPT / BERT 基础
• Prompt 基础
• Tokenizer
• 预训练模型调用
• Sentence Embedding
• 向量相似度、Top-K 检索、RAG 基础

复盘笔记：

• stage04-nlp-llm/12_stage04_summary.md

Stage 05：Time Series Deep Learning

主要内容：

• 时间序列基础
• 滑动窗口数据集
• MLP 时间序列预测
• RNN、LSTM、GRU 基础

代表文件：

• stage05-time-series-deep-learning/01_time_series_basic.ipynb
• stage05-time-series-deep-learning/02_sliding_window_dataset.ipynb
• stage05-time-series-deep-learning/03_mlp_time_series_forecasting.ipynb
• stage05-time-series-deep-learning/04_rnn_basic.ipynb

技术栈

• Python
• Jupyter Notebook
• NumPy
• pandas
• Matplotlib / Seaborn
• scikit-learn
• PyTorch
• Transformers
• SentenceTransformers
• XGBoost / LightGBM

项目说明

这个仓库主要用于个人学习记录和阶段性复盘，不是完整的生产级机器学习项目。

每个 notebook 更关注：

• 概念理解
• 代码流程
• 输入输出含义
• 模型训练过程
• 结果解释

部分模型文件、虚拟环境和大体积生成文件没有上传到仓库中。

后续计划

• 补充 Stage 05 的阶段复盘笔记
• 增加更多真实数据集项目练习
• 整理每个阶段的 README
• 继续学习 RAG、Agent 和模型部署相关内容