[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Ayatans--Machine-Learning-homework":3,"tool-Ayatans--Machine-Learning-homework":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85092,2,"2026-04-10T11:13:16",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[19,14,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},5773,"cs-video-courses","Developer-Y\u002Fcs-video-courses","cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。\n\n面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。\n\n这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。",79792,"2026-04-08T22:03:59",[18,13,14,20],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",75753,"2026-04-16T23:11:21",[19,13,20,18],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,"2026-04-03T21:50:24",[20,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":78,"owner_avatar_url":79,"owner_bio":78,"owner_company":78,"owner_location":80,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":78,"difficulty_score":10,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":96,"github_topics":78,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":22,"created_at":97,"updated_at":98,"faqs":99,"releases":105},8330,"Ayatans\u002FMachine-Learning-homework","Machine-Learning-homework","Matlab Coding homework for Machine Learning","Machine-Learning-homework 是专为吴恩达（Andrew Ng）教授在 Coursera 平台上广受好评的机器学习课程配套的 MATLAB 编程作业合集。该项目旨在帮助学习者通过动手实践，将抽象的算法理论转化为具体的代码实现，从而深入理解线性回归、逻辑回归、神经网络等核心机器学习概念。\n\n对于许多自学者而言，课程中的编程练习往往具有一定的挑战性，容易在调试过程中遇到瓶颈。Machine-Learning-homework 提供了完整的代码框架与实现参考，有效解决了学习者在编码实践中“无从下手”或“难以验证结果”的痛点。此外，项目还贴心地整理了中文博客链接，为需要核对测验答案的用户提供了额外的辅助资源，极大地降低了语言和理解门槛。\n\n这套资料非常适合正在修读该课程的初学者、希望巩固机器学习基础的开发者，以及打算使用 MATLAB 进行算法原型验证的研究人员。虽然其技术栈基于经典的 MATLAB 环境而非当下流行的 Python 生态，但其对算法数学原理的清晰呈现依然具有极高的参考价值。通过使用 Machine-Learning-homework，用户可以系统地锻炼数","Machine-Learning-homework 是专为吴恩达（Andrew Ng）教授在 Coursera 平台上广受好评的机器学习课程配套的 MATLAB 编程作业合集。该项目旨在帮助学习者通过动手实践，将抽象的算法理论转化为具体的代码实现，从而深入理解线性回归、逻辑回归、神经网络等核心机器学习概念。\n\n对于许多自学者而言，课程中的编程练习往往具有一定的挑战性，容易在调试过程中遇到瓶颈。Machine-Learning-homework 提供了完整的代码框架与实现参考，有效解决了学习者在编码实践中“无从下手”或“难以验证结果”的痛点。此外，项目还贴心地整理了中文博客链接，为需要核对测验答案的用户提供了额外的辅助资源，极大地降低了语言和理解门槛。\n\n这套资料非常适合正在修读该课程的初学者、希望巩固机器学习基础的开发者，以及打算使用 MATLAB 进行算法原型验证的研究人员。虽然其技术栈基于经典的 MATLAB 环境而非当下流行的 Python 生态，但其对算法数学原理的清晰呈现依然具有极高的参考价值。通过使用 Machine-Learning-homework，用户可以系统地锻炼数据预处理、模型构建及参数优化的全流程能力，为后续进阶深度学习打下坚实基础。","# Machine-Learning-homework\nMatlab coding homework for Machine Learning in Coursera by Andrew Ng.\n\nFor those seeking the answer of quizzes, I have some links that show most of the answers in Chinese. Here I show great thanks to the authors who writing those solutions:\n\nhttps:\u002F\u002Fwww.cnblogs.com\u002Fmaxiaodoubao\u002Fp\u002F10184428.html\n\nhttps:\u002F\u002Fwww.cnblogs.com\u002Fxingkongyihao\u002Fcategory\u002F1161554.html\n\nIf the owners of the two blogs deem it offensive, please contact me and I will remove the links immediately!\n","# 机器学习作业\nCoursera上Andrew Ng主讲的机器学习课程中的Matlab编程作业。\n\n对于那些寻找测验答案的人，我提供了一些中文解答链接。在此向编写这些解答的作者表示衷心的感谢：\n\nhttps:\u002F\u002Fwww.cnblogs.com\u002Fmaxiaodoubao\u002Fp\u002F10184428.html\n\nhttps:\u002F\u002Fwww.cnblogs.com\u002Fxingkongyihao\u002Fcategory\u002F1161554.html\n\n如果这两篇博客的作者认为这些链接存在冒犯，请与我联系，我会立即删除相关链接！","# Machine-Learning-homework 快速上手指南\n\n本指南旨在帮助开发者快速配置并运行吴恩达（Andrew Ng）在 Coursera 上的机器学习课程 Matlab 编程作业。\n\n## 环境准备\n\n- **操作系统**：Windows、macOS 或 Linux\n- **核心软件**：MATLAB（推荐 R2016b 及以上版本）或 GNU Octave（免费开源替代方案）\n  - 若使用 Octave，请确保版本不低于 4.0.0\n- **前置依赖**：无额外第三方工具箱要求，仅需基础安装即可运行\n\n> **提示**：国内用户可通过清华大学开源软件镜像站下载 Octave 安装包，以获取更快的下载速度。\n\n## 安装步骤\n\n1. 克隆或下载本项目代码到本地目录：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002F你的用户名\u002FMachine-Learning-homework.git\n   ```\n   或直接下载 ZIP 压缩包并解压。\n\n2. 启动 MATLAB 或 Octave。\n\n3. 在软件命令行中切换至项目根目录：\n   ```matlab\n   cd \u002Fpath\u002Fto\u002FMachine-Learning-homework\n   ```\n   （请将 `\u002Fpath\u002Fto\u002F` 替换为你本地的实际路径）\n\n4. （可选）将当前目录及其子目录添加到搜索路径：\n   ```matlab\n   addpath(genpath(pwd));\n   ```\n\n## 基本使用\n\n进入对应周的作业文件夹（例如 `ex1`），运行主脚本即可开始练习。\n\n**示例：运行第一周线性回归作业**\n\n```matlab\ncd ex1\nex1\n```\n\n执行后，系统将依次加载数据、绘制图表并引导你完成 `warmUpExercise.m`、`computeCost.m`、`gradientDescent.m` 等文件的填空任务。按照注释提示编写代码，保存后重新运行脚本即可验证结果。\n\n> **注意**：本仓库主要包含编程作业骨架代码。如需核对测验（Quiz）答案，可参考 README 中提供的中文博客链接，但请务必先独立完成练习以巩固知识。","一名计算机专业学生正在自学吴恩达的 Coursera 机器学习课程，试图通过 Matlab 编程作业来巩固线性回归与神经网络的理论知识。\n\n### 没有 Machine-Learning-homework 时\n- 在实现梯度下降算法时，因矩阵维度不匹配导致代码报错，却难以定位是数据预处理还是公式推导出了问题，调试过程极其耗时。\n- 完成编程任务后缺乏可靠的参照标准，无法判断自己的代价函数计算逻辑是否正确，只能盲目提交作业等待评分反馈。\n- 遇到课程测验难题时，网上零散的中文解答质量参差不齐，难以找到与当前作业版本完全匹配的清晰思路解析。\n- 独自面对复杂的反向传播推导时容易产生挫败感，因缺乏高质量的开源代码示例作为“脚手架”，学习进度严重受阻。\n\n### 使用 Machine-Learning-homework 后\n- 直接参考仓库中规范的 Matlab 代码实现，快速发现自己在矩阵向量化操作中的维度错误，将数小时的调试时间缩短至几分钟。\n- 利用提供的完整作业方案进行自我核对，立即验证了特征缩放和假设函数编写的准确性，建立了扎实的知识闭环。\n- 通过 README 中整理的高质量中文博客链接，迅速理解了测验题背后的数学原理，获得了比视频课程更细致的文字版解析。\n- 以优秀的开源作业为模板，模仿其代码结构和注释风格，不仅顺利完成了后续复杂的神经网络作业，还提升了自身的工程编码规范。\n\nMachine-Learning-homework 将原本孤立无援的自学过程转变为高效的可验证实践，极大地降低了机器学习入门的试错成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAyatans_Machine-Learning-homework_b51f0856.png","Ayatans",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAyatans_b8f429a7.png","Fudan Universiy","https:\u002F\u002Fgithub.com\u002FAyatans",[83],{"name":84,"color":85,"percentage":86},"MATLAB","#e16737",100,2017,659,"2026-04-14T07:24:45","","未说明",{"notes":93,"python":91,"dependencies":94},"该项目为吴恩达 Coursera 机器学习课程的 Matlab 编程作业，运行环境主要依赖 Matlab，README 中未提供具体的操作系统、硬件配置或版本要求。",[95],"Matlab",[18],"2026-03-27T02:49:30.150509","2026-04-17T08:24:10.756812",[100],{"id":101,"question_zh":102,"answer_zh":103,"source_url":104},37264,"课程作业使用的是哪个版本的 MATLAB？","作者当时使用的是最新版，可能是 2019b 或 2020a。不过有用户反馈使用 2018b 版本也没有遇到大问题，版本差异应该不大。","https:\u002F\u002Fgithub.com\u002FAyatans\u002FMachine-Learning-homework\u002Fissues\u002F1",[]]