Andrew Ng Ml Claude Skills

吴恩达《机器学习》Claude Code 技能集

8 个 Claude Code 交互式技能，覆盖吴恩达《机器学习》（Andrew Ng Machine Learning）课程的核心章节。

每个技能不是冰冷的代码模板——你用自然语言描述你的数据和问题，它引导你完成：智能选择算法 → 推荐参数 → 训练模型 → 可视化诊断 → 生成可独立运行的 Python 代码。

---

适用人群

• 🎓 正在学习吴恩达《机器学习》课程的同学
• 🔧 需要快速上手 ML 项目但不想从零写代码的工程师
• 📊 有数据、想尝试不同算法对比效果的初学者

前提条件：安装了 Claude Code，并准备好 Python、NumPy 和 Matplotlib。仓库提供环境检查脚本，建议首次使用前先运行。

首次使用前：检查 Python 环境

在仓库根目录执行：

python -m pip install -r requirements.txt
python check_env.py

如果电脑上同时安装了多个 Python，请使用运行 check_env.py 的同一个解释器安装依赖，例如 py -m pip install -r requirements.txt。检查未通过前，不要运行技能生成的 Python 文件。

---

技能列表

#	技能	课程章节	一句话描述
1	linear-regression	第 1-2 周	线性回归、正规方程、岭回归、多项式回归
2	logistic-regression	第 3 周	逻辑回归、决策边界可视化、多分类（One-vs-All）
3	svm	第 7 周	支持向量机、高斯核 SVM、非线性分类
4	neural-network	第 4-5 周	前馈神经网络、反向传播、多分类输出
5	neural-network-diagnosis	第 6、10 周	偏差/方差诊断、学习曲线、交叉验证、误差分析、偏斜类处理
6	model-recommendation	第 7 周	根据数据特征自动推荐最合适的 ML 模型
7	anomaly-detection	第 9 周	高斯分布异常检测、多元高斯、特征变换
8	recommender-system	第 9 周	协同过滤、基于内容推荐、相似物品检索

📖 完整的课程章节对照表见 COURSE_MAP.md

---

安装

1. 找到你的 Claude Code 项目目录（或任意目录，Claude Code 会识别）

2. 将 skills/ 下的文件夹复制到 .claude/skills/：

   # 复制全部技能
   cp -r skills/* 你的项目路径/.claude/skills/
   
   # 或者只复制你需要的
   cp -r skills/linear-regression 你的项目路径/.claude/skills/
   

3. 在 Claude Code 中输入对应关键词即可触发技能：

   输入关键词示例	触发技能
   "帮我做线性回归"	linear-regression
   "用逻辑回归分类"	logistic-regression
   "诊断神经网络"	neural-network-diagnosis
   "检测异常数据"	anomaly-detection
   "搭建推荐系统"	recommender-system

不确定如何描述问题？

不需要一开始就准确说出算法名称。可以按下面的模板描述，技能会先澄清信息，再推荐模型：

我想解决：{预测数值 / 二分类 / 多分类 / 异常检测 / 推荐}
数据位置或示例：{CSV 路径，或粘贴 3-5 行样例}
目标列：{列名；推荐系统可说明评分列或物品列}
样本量和特征数：{大约多少行、多少个输入特征}
特殊情况：{缺失值、文本字段、类别不平衡等；不确定可写“不确定”}

如果信息不足，技能应先提问，不应直接猜测算法或参数。确认推荐后再进入具体训练技能。

---

多平台支持

技能采用开放 Agent Skills 格式（SKILL.md），除 Claude Code 外，DeepSeek Harness 等支持 Skills 规范的 agent 工具可直接使用，无需任何改动。

DeepSeek Harness 安装

# 用户级（所有项目可用）
cp -r skills/* ~/.dsh/skills/

# 或项目级（仅当前项目）
cp -r skills/* 你的项目路径/.dsh/skills/

安装后在对话中直接描述需求或输入 /linear-regression 等命令即可触发。

---

工作流程

每个技能遵循统一的交互流程：

你的数据/问题
    │
    ▼
① 智能识别 —— 自动判断数据格式（CSV？粘贴数组？口头描述？）
    │
    ▼
② 算法决策 —— 有物品特征？→ 内容推荐。没有？→ 协同过滤。
    │
    ▼
③ 参数推荐 —— 根据数据规模自动推荐 λ、α、迭代次数
    │
    ▼
④ 训练诊断 —— 实时绘制代价曲线，自动检测收敛，α 过大自动减半
    │
    ▼
⑤ 结果输出 —— 预测值 + Top-N 推荐 + 图表 + 可运行 .py 文件

---

技能目录结构

requirements.txt          # Python 依赖
check_env.py              # 环境自检
skills/
├── linear-regression/
│   ├── SKILL.md                # 主技能：交互流程 + 代码模板
│   └── references/             # 算法详细实现
│       ├── normal-equation.md
│       ├── ridge-regression.md
│       └── polynomial-regression.md
├── logistic-regression/
│   ├── SKILL.md
│   └── references/
│       ├── polynomial-logistic.md
│       └── multi-class-logistic.md
├── svm/
│   ├── SKILL.md
│   └── references/
│       └── gaussian-kernel-svm.md
├── neural-network/
│   ├── SKILL.md
│   └── references/
│       └── multi-class-nn.md
├── neural-network-diagnosis/
│   ├── SKILL.md
│   └── references/
│       ├── bias-variance-diagnosis.md
│       ├── learning-curve.md
│       ├── kfold-cross-validation.md
│       ├── error-analysis.md
│       ├── skewed-class.md
│       ├── early-stopping.md
│       └── lambda-grid-search.md
├── model-recommendation/
│   ├── SKILL.md
│   └── references/
│       └── model-comparison-table.md
├── anomaly-detection/
│   ├── SKILL.md
│   └── references/
│       ├── multivariate-gaussian.md
│       ├── feature-engineering.md
│       └── gaussian-transform.md
└── recommender-system/
    ├── SKILL.md
    └── references/
        ├── collaborative-filtering.md
        ├── content-based-filtering.md
        ├── mean-normalization.md
        └── similar-items.md

---

设计理念

• 教学优先：技能交互用语面向初学者，每个步骤解释"为什么这样做"
• 安全兜底：数据太少时警告、α 发散时自动回退、参数在边界时提示扩展搜索
• 与课程对齐：术语、符号、算法流程严格遵循吴恩达课程原文
• 中文交流，代码英文：所有用户交互用简体中文，代码标识符保持英文字符

---

待开发

课程章节	内容	状态
第 17 周	大规模机器学习（SGD、MapReduce）	🚧 规划中
第 18 周	OCR 流水线（滑动窗口、上限分析）	🚧 规划中

---

许可

MIT License © 2026 — 详见 LICENSE