机器学习学习路线图（ML Roadmap）

一套全面的内容工具包，用于规划与跟踪您的机器学习学习历程。可快速起草学习计划、组织知识点、构建内容大纲、安排学习时段，并统一管理您的 ML 教育路线图——全部通过命令行完成。

命令列表

每个内容类命令（如 draft、edit、optimize 等）均支持两种运行模式：

• 不带参数运行 —— 显示该类型下最近的 20 条记录
• 带参数运行 —— 将输入内容作为一条带时间戳的新条目保存

数据存储

所有数据均以纯文本日志文件形式存储于 ~/.local/share/ml-roadmap/ 目录中：

• 每种命令类型对应一个独立日志文件（例如：draft.log、edit.log、outline.log）
• 每条记录采用 timestamp|value 格式存储，便于解析
• 统一的 history.log 文件记录所有命令类型的完整活动历史
• 随时可通过 export 命令将全部数据导出为 JSON、CSV 或 TXT 格式

设置环境变量 ML_ROADMAP_DIR 可覆盖默认数据目录。

系统要求

• Bash 4.0+（使用 set -euo pipefail）
• 标准 Unix 工具： date、wc、du、tail、grep、sed、cat
• 无需任何外部依赖或 API 密钥

适用场景

1. 规划您的 ML 学习路径 —— 使用 outline 和 draft 构建覆盖监督学习、深度学习、NLP、计算机视觉等方向的系统性学习路线图
2. 创作 ML 教育类内容 —— 使用 headline、hooks、cta 和 hashtags 创作关于机器学习概念的高互动性帖子或技术文章
3. 安排学习时段 —— 使用 schedule 记录您计划学习特定 ML 主题的时间，并长期追踪学习进度
4. 精修技术写作 —— 使用 rewrite、tone 和 optimize 润色 ML 博客文章、文档或课程材料
5. 追踪内容创作历史 —— 使用 stats、search 和 recent 回顾已撰写内容、检索过往条目、量化学习与产出效率

使用示例

# 起草一份关于深度学习基础的学习计划
ml-roadmap draft "Week 1: Neural network basics — perceptrons, activation functions, backprop"

# 为一篇关于模型选择的博客文章创建大纲
ml-roadmap outline "Comparing Random Forest vs XGBoost: when to use each, key hyperparameters, pros/cons"

# 为一篇 ML 教程生成标题
ml-roadmap headline "Beginner-friendly guide to building your first image classifier with PyTorch"

# 安排一次学习时段
ml-roadmap schedule "Saturday 10am: Work through Stanford CS229 Lecture 5 — Support Vector Machines"

# 将全部条目导出为 JSON 格式用于备份
ml-roadmap export json

输出说明

所有命令结果均输出至 stdout。如需保存至文件，请使用重定向：

ml-roadmap stats > roadmap-report.txt
ml-roadmap export csv

Powered by BytesAgain | bytesagain.com | hello@bytesagain.com