josephmisiti/awesome-machine-learning · 上手攻略

  • 仓库：josephmisiti/awesome-machine-learning
  • 链接：https://github.com/josephmisiti/awesome-machine-learning
  • 分类：skill / llm-infra
  • 作者：Jay
  • 更新：2026-07-10

这是什么

awesome-machine-learning 是机器学习领域最老牌、最全的资源列表之一，由 Joseph Misiti 维护（Stars 73,273，周增 +112）。它按编程语言分类，收录了几乎所有主流机器学习框架、库和工具，堪称 ML 领域的"黄页"。

仓库不提供代码，仅做资源导航，是发现和调研 ML 工具的首选起点。

⚠️ 注意（2026年4月维护者声明）：因 LLM 批量生成 PR 过多，管理成本失控，现要求贡献者邮件联系维护者证明"我是真人"后方可合并 PR。这意味着仓库接受新条目变慢，但已有内容质量仍可信赖。

内容结构速览

列表按语言组织，每个语言下再细分任务类型：

主要语言分区（Python 部分摘要）

子分类 代表工具
Computer Vision OpenCV、scikit-image、Pillow、YOLOv8（Ultralytics）
NLP Transformers（Hugging Face）、spaCy、NLTK、Gensim、AllenNLP
General-Purpose ML scikit-learn、XGBoost、LightGBM、CatBoost、PyOD
Data Analysis / Visualization Pandas、NumPy、Matplotlib、Seaborn、Plotly、Dask
Neural Networks PyTorch、TensorFlow、Keras、JAX、MXNet
Reinforcement Learning Stable-Baselines3、RLlib、OpenAI Baselines
Speech Recognition Whisper（OpenAI）、Coqui STT、Kaldi
Federated Learning PySyft、TFF（TensorFlow Federated）
Kaggle 竞赛源码 各届 Kaggle 竞赛金牌解决方案

其他语言（节选）

  • C++：OpenCV、Dlib、Darknet（YOLO）、libonnx
  • Java：Deeplearning4j、Weka、MOA
  • JavaScript：TensorFlow.js、Synaptic、Natural
  • Go：GoLearn、Gorgonia、go-jena
  • R：caret、randomForest、ggplot2、tidyverse
  • Rust：Rustlearn、Juice、Linfa
  • Julia：MLJ.jl、Flux.jl、AlphaZero.jl

工具区（Tools，非语言分类）

  • Educational Tools： Jupyter、Google Colab、Weights & Biases、MLflow
  • Neural Networks 可视化：Netron、TensorBoard

快速上手路径

① 找某个 ML 工具 → 用目录定位

直接搜索页面（或 Ctrl+F），按语言 → 子分类两层导航，找到工具名后点 GitHub 链接。

② 想了解某领域生态 → 对比同类工具

以 NLP 为例，Python NLP 分支下有：

Transformer架构：Hugging Face Transformers ⭐（主流）
传统NLP：spaCy（生产级）、NLTK（教学）、Gensim（主题模型）
信息抽取：rasa（对话）、AllenNLP（研究）

维护者按 Stars 和活跃度在列表内排序，排名靠前的通常更成熟。

③ 想跟最新趋势 → 看新增工具

README 底部有 Star History 图，链接到 star-history.com 可看 Stars 增长曲线，增长陡峭的说明近期热度高。

典型使用场景

场景 推荐工具/章节
刚学 ML，想知道有哪些库可用 Python General-Purpose ML
生产部署 NLP 模型 Python NLP → Hugging Face Transformers
异常检测/欺诈识别 Python General-Purpose ML → PyOD
边缘设备部署模型 C++ → libonnx / onnx-c
快速数据探索 Python Data Analysis → Pandas + Dask
团队实验管理与追踪 Tools → Weights & Biases / MLflow

坑与注意

  1. 列表太长，不能直接读：仅 Python 部分就有数百条目，正确用法是按需检索，不是从头读到尾。
  2. 部分条目已过时/废弃：README 里有 Deprecation 说明（2-3 年不更新的库标记为 Deprecated），用前注意核实维护状态。标注 [Deprecated] 的不建议在新项目中使用。
  3. 缺少中国开源项目：列表以英语世界开源为主，百度 PaddlePaddle、阿里 MGL 等国内项目收录有限。
  4. 没有使用对比：列表不提供库之间的性能对比或选型建议，需要自己读各库文档判断。
  5. 贡献门槛提高：2026 年后 PR 需要邮件人工验证，提交新条目变慢，列表有一定滞后性。

与同类对比

仓库 Stars 特点 适合人群
josephmisiti/awesome-machine-learning 73k 按语言分，最全面老牌 需要找特定语言工具时
awesomeresearch/awesome-production-machine-learning 8k 侧重生产级 ML 工程 MLOps 工程师
ml-tooling/best-of-ml-python 3k 按周更新的质量排名 跟最新趋势
erezspot/awesome-ml-crypto 2k ML+密码学交叉 量化/安全方向
josephmisiti/awesome-machine-learning 73k 全领域覆盖 调研阶段首选

一句话推荐结论

无论你是调研 ML 工具、准备面试，还是找某个具体场景的库，这个仓库都是最高质量的起点——它比任何搜索引擎更系统，比 AI 回答更可验证。记住它是"索引"，用 Ctrl+F 而非通读。

来源

  • GitHub README（master 分支）：https://github.com/josephmisiti/awesome-machine-learning
  • 各语言分类下引用的 GitHub 仓库原始页面（通过 README 内链接访问）
  • Star History 图表：https://www.star-history.com/

⚠️ 仓库最近提交 2026-06-18，整体活跃。部分工具链接需访问 GitHub（建议备梯子），国内可访问 Gitee 镜像的不在列表内。