GitHub 发布覆盖 ML 全周期的教学实验仓库
先了解这件事
用户 trasher88 在 GitHub 发布教学项目 ml-engineering-lab，覆盖数据准备、分类、检索、RAG、LLM 微调与部署，分为 F1–F5 五个阶段共 43 个学习步骤。项目有意保留负结果：本地实验记录显示经典 ML（TF-IDF + Logistic Regression）Test macro F1 为 0.8838，优于 PyTorch 分类的 0.7813；向量检索 Recall@5 达 0.8500，高于 hybrid 的 0.5500；SFT tiny LLM 未带来提升。 需注意的限制：实验结果尚未在 GitHub CI 中复现，相关方法与源码将随后发布；数据采用 CC BY-NC-SA 4.0，代码尚未选定开源许可证、暂无 LICENSE 文件，不等于允许自由使用或商用；API 与安全部分是教学原型，非生产服务。
AI 根据报道生成 · 2 天前更新
报道时间线
沿着报道，了解事件的不同侧面。
- GitHub · 灵魂体仓库GitHub 仓库 ml-engineering-lab：全流程机器学习实验项目，从数据到 RAG 与 SFT/LoRA
GitHub 仓库 trasher88/ml-engineering-lab 是一个覆盖数据准备、分类、检索、RAG、LLM 微调与部署的教学项目，分为 F1–F5 五个阶段共 43 个学习步骤。本地实验记录显示：经典 ML（TF-IDF + Logistic Regression）Test macro F1 为 0.8838，优于 PyTorch 分类器的 0.7813；向量检索 Recall@5 达 0.8500，高于 hybrid 的 0.5500；SFT tiny LLM 未带来提升。项目有意保留负结果与局限，数据采用 CC BY-NC-SA 4.0，暂未提供开源许可证。
本事件热度走势
- 可比范围当前
- 3
- 可比范围峰值
- 1010月25日 20:00
- 近 24 小时变化
- -50%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。