[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-DarLiner--Algorithm_Interview_Notes-Chinese":3,"tool-DarLiner--Algorithm_Interview_Notes-Chinese":65},[4,17,27,35,48,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",154349,2,"2026-04-13T23:32:16",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,3,"2026-04-06T11:19:32",[15,26,14,13],"图像",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":10,"last_commit_at":33,"category_tags":34,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":16},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,"2026-04-10T11:13:16",[26,43,44,45,14,46,15,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":54,"last_commit_at":55,"category_tags":56,"status":16},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",[15,43,46],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":54,"last_commit_at":63,"category_tags":64,"status":16},6590,"gpt4all","nomic-ai\u002Fgpt4all","GPT4All 是一款让普通电脑也能轻松运行大型语言模型（LLM）的开源工具。它的核心目标是打破算力壁垒，让用户无需依赖昂贵的显卡（GPU）或云端 API，即可在普通的笔记本电脑和台式机上私密、离线地部署和使用大模型。\n\n对于担心数据隐私、希望完全掌控本地数据的企业用户、研究人员以及技术爱好者来说，GPT4All 提供了理想的解决方案。它解决了传统大模型必须联网调用或需要高端硬件才能运行的痛点，让日常设备也能成为强大的 AI 助手。无论是希望构建本地知识库的开发者，还是单纯想体验私有化 AI 聊天的普通用户，都能从中受益。\n\n技术上，GPT4All 基于高效的 `llama.cpp` 后端，支持多种主流模型架构（包括最新的 DeepSeek R1 蒸馏模型），并采用 GGUF 格式优化推理速度。它不仅提供界面友好的桌面客户端，支持 Windows、macOS 和 Linux 等多平台一键安装，还为开发者提供了便捷的 Python 库，可轻松集成到 LangChain 等生态中。通过简单的下载和配置，用户即可立即开始探索本地大模型的无限可能。",77307,"2026-04-11T06:52:37",[15,13],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":77,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":77,"difficulty_score":54,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":101,"github_topics":77,"view_count":10,"oss_zip_url":77,"oss_zip_packed_at":77,"status":16,"created_at":102,"updated_at":103,"faqs":104,"releases":105},7363,"DarLiner\u002FAlgorithm_Interview_Notes-Chinese","Algorithm_Interview_Notes-Chinese","2018\u002F2019\u002F校招\u002F春招\u002F秋招\u002F自然语言处理(NLP)\u002F深度学习(Deep Learning)\u002F机器学习(Machine Learning)\u002FC\u002FC++\u002FPython\u002F面试笔记，此外，还包括创建者看到的所有机器学习\u002F深度学习面经中的问题。 除了其中 DL\u002FML 相关的，其他与算法岗相关的计算机知识也会记录。 但是不会包括如前端\u002F测试\u002FJAVA\u002FAndroid等岗位中有关的问题。","Algorithm_Interview_Notes-Chinese 是一份专为算法工程师求职者打造的开源面试笔记合集。它系统整理了机器学习、深度学习、自然语言处理及计算机视觉等核心领域的理论知识与高频面试题，同时涵盖数学基础、经典算法（如动态规划）、C++\u002FPython 编程语言特性以及真实的笔试面经回忆。\n\n这份资料主要解决了求职者在备战技术岗时面临的痛点：知识点分散、理论难以联系实际、缺乏针对性真题参考。通过梳理《深度学习》等经典著作的核心问题，并汇总各大厂校招与社招的真实考题，它帮助使用者构建清晰的知识体系，高效查漏补缺。\n\n该资源非常适合准备从事算法、AI 研发岗位的应届毕业生及社会招聘求职者，同时也适用于希望系统复习 AI 理论基础的研究人员或开发者。其独特亮点在于内容高度垂直，剔除了前端、测试等非相关岗位信息，专注于算法岗所需的硬核知识；此外，项目采用模块化目录结构，支持社区通过 Issue 持续贡献最新面试题，确保了内容的时效性与实战价值。无论是用于考前突击还是日常知识沉淀，这都是一份极具参考价值的中文技术指南。","算法\u002F深度学习\u002FNLP面试笔记\n===\n**GitHub** 地址：https:\u002F\u002Fgithub.com\u002Fimhuay\u002FAlgorithm_Interview_Notes-Chinese\n\nRoadMap\n---\n\n\u003C!-- | A | B | C | D | E | F | G | H | \n| :-: | :-: | :-: | :-: | :-: | :-: | :-: | :-: | \n| 机器学习\u003Cbr\u002F>[:soccer:](.\u002FA-机器学习) | 深度学习\u003Cbr\u002F>[:basketball:](.\u002FA-深度学习) | 自然语言处理\u003Cbr\u002F>[:hamburger:](.\u002FC-自然语言处理) | 计算机视觉\u003Cbr\u002F>[:fries:](.\u002FD-计算机视觉) | 算法\u003Cbr\u002F>[:apple:](.\u002FE-算法) | 数学\u003Cbr\u002F>[:cherries:](.\u002FF-数学) | 编程语言\u003Cbr\u002F>[:strawberry:](.\u002FG-编程语言) | 笔试面经\u003Cbr\u002F>[:cookie:](.\u002FH-笔试面经) |  -->\n\n\u003C!-- \u003Ctable style=\"width:100%; table-layout:fixed;\">\n  \u003Ctr>\n    \u003Ctd>A\u003C\u002Ftd>\n    \u003Ctd>B\u003C\u002Ftd>\n    \u003Ctd>C\u003C\u002Ftd>\n    \u003Ctd>D\u003C\u002Ftd>\n    \u003Ctd>E\u003C\u002Ftd>\n    \u003Ctd>F\u003C\u002Ftd>\n    \u003Ctd>G\u003C\u002Ftd>\n    \u003Ctd>H\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>机器学习\u003Cbr\u002F>[:soccer:](.\u002FA-机器学习)\u003C\u002Ftd>\n    \u003Ctd>深度学习\u003Cbr\u002F>[:basketball:](.\u002FB-深度学习)\u003C\u002Ftd>\n    \u003Ctd>自然语言处理\u003Cbr\u002F>[:hamburger:](.\u002FC-自然语言处理)\u003C\u002Ftd>\n    \u003Ctd>计算机视觉\u003Cbr\u002F>[:fries:](.\u002FD-计算机视觉)\u003C\u002Ftd>\n    \u003Ctd>算法\u003Cbr\u002F>[:apple:](.\u002FE-算法)\u003C\u002Ftd>\n    \u003Ctd>数学\u003Cbr\u002F>[:cherries:](.\u002FF-数学)\u003C\u002Ftd>\n    \u003Ctd>编程语言\u003Cbr\u002F>[:strawberry:](.\u002FG-编程语言)\u003C\u002Ftd>\n    \u003Ctd>笔试面经\u003Cbr\u002F>[:cookie:](.\u002FH-笔试面经)\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable> -->\n\n- :soccer: [\u003Cfont size=+1>机器学习\u003C\u002Ffont>](.\u002FA-机器学习)\n- :basketball: [\u003Cfont size=+1>深度学习\u003C\u002Ffont>](.\u002FA-深度学习)\n- :hamburger: [\u003Cfont size=+1>自然语言处理\u003C\u002Ffont>](.\u002FB-自然语言处理)\n- :fries: [\u003Cfont size=+1>计算机视觉\u003C\u002Ffont>](.\u002FB-计算机视觉)\n- :cherries: [\u003Cfont size=+1>数学\u003C\u002Ffont>](.\u002FC-数学)\n- :apple: [\u003Cfont size=+1>算法\u003C\u002Ffont>](.\u002FC-算法)\n- :strawberry: [\u003Cfont size=+1>编程语言\u003C\u002Ffont>](.\u002FC-编程语言)\n- :cookie: [\u003Cfont size=+1>笔试面经\u003C\u002Ffont>](.\u002FD-笔试面经)\n\n\u003C!--\n算法\u002F深度学习\u002F机器学习面试问题整理，想法最初来源于这个[仓库](https:\u002F\u002Fgithub.com\u002Felviswf\u002FDeepLearningBookQA_cn).\n - 该仓库整理了“花书”《深度学习》中的一些常见问题，其中部分偏理论的问题没有收录，如有需要可以浏览原仓库。 \n\n此外，还包括我看到的所有机器学习\u002F深度学习面经中的问题。\n除了其中 DL\u002FML 相关的，其他与算法岗相关的计算机知识也会记录。\n但是不会包括如前端\u002F测试\u002FJAVA\u002FAndroid等岗位中有关的问题。\n-->\n\n\u003C!--\n## RoadMap\n- [数学](.\u002F数学)\n  - [微积分的本质](.\u002F数学\u002F微积分的本质.md)\n  - [深度学习的核心](.\u002F数学\u002F深度学习的核心.md)\n- [机器学习-深度学习-NLP](.\u002F机器学习-深度学习-NLP)\n  - 深度学习\n    - [深度学习基础](.\u002F机器学习-深度学习-NLP\u002FDL-A-深度学习基础.md)\n    - [《深度学习》整理](.\u002F机器学习-深度学习-NLP\u002FDL-《深度学习》整理.md)\n    - [专题-CNN](.\u002F机器学习-深度学习-NLP\u002FDL-B-专题-CNN.md)\n    - [专题-RNN](.\u002F机器学习-深度学习-NLP\u002FDL-B-专题-RNN.md)\n    - [专题-序列建模](.\u002F机器学习-深度学习-NLP\u002FDL-C-专题-序列建模.md)\n  - 机器学习\n    - [机器学习算法](.\u002F机器学习-深度学习-NLP\u002FML-机器学习算法.md)\n    - [机器学习实践](.\u002F机器学习-深度学习-NLP\u002FML-机器学习实践.md)\n  - 自然语言处理\n    - [NLP 基础](.\u002F机器学习-深度学习-NLP\u002FNLP-A-自然语言处理基础.md)\n    - [专题-词向量](.\u002F机器学习-深度学习-NLP\u002FNLP-B-专题-词向量.md)\n      - [Word2Vec](.\u002F机器学习-深度学习-NLP\u002FNLP-B-专题-词向量.md#word2vec)\n      - [GloVe](.\u002F机器学习-深度学习-NLP\u002FNLP-B-专题-词向量.md#glove)\n      - [FastText](.\u002F机器学习-深度学习-NLP\u002FNLP-B-专题-词向量.md#fasttext)\n- [算法](.\u002F算法)\n  - [专题-动态规划](.\u002F算法\u002F专题-动态规划.md)\n  - [专题-洗牌、采样、随机数](.\u002F算法\u002F专题-洗牌、采样、随机数.md)\n  - [题解-剑指Offer](.\u002F算法\u002F题解-剑指Offer.md)\n  - [题解-LeetCode](.\u002F算法\u002F题解-剑指Offer.md)\n- [编程语言](.\u002F编程语言)\n  - C\u002FC++\n    - [专题-基础知识](.\u002F编程语言\u002FCpp-基础知识.md)\n    - [专题-左值与右值](.\u002F编程语言\u002FCpp-左值与右值.md)\n    - [专题-面向对象编程](.\u002F编程语言\u002FCpp-面向对象编程.md)\n  - Python TODO\n- [笔试面经](.\u002F笔试面经)\n- [project](.\u002Fproject)\n- [code](.\u002Fcode)\n  - [工具库](.\u002Fcode\u002F工具库)\n    - [gensim.FastText 的使用](.\u002F机器学习-深度学习-NLP\u002FNLP-词向量.md#gensimmodelsfasttext-使用示例)\n  - [倒排索引](.\u002Fcode\u002Fmodel\u002F倒排索引)\n- [招聘要求](.\u002F招聘要求.md)\n\n-->\n\n欢迎分享你在面试中遇见的问题！\n---\n- 你可以直接以你遇到的问题作为 issue 标题，然后分享你的回答或者其他参考资料。\n- 我会经常修改文档的结构。如果文中有链接失效，请告诉我！\n\n推荐阅读\n---\n- exacity\u002F[deeplearningbook-chinese](https:\u002F\u002Fgithub.com\u002Fexacity\u002Fdeeplearningbook-chinese): 深度学习中文版 \n- elviswf\u002F[DeepLearningBookQA_cn](https:\u002F\u002Fgithub.com\u002Felviswf\u002FDeepLearningBookQA_cn): 深度学习面试问题\n- huihut\u002F[interview: C\u002FC++面试知识总结](https:\u002F\u002Fgithub.com\u002Fhuihut\u002Finterview) \n- CSDN博客\u002F[结构之法 算法之道](https:\u002F\u002Fblog.csdn.net\u002Fv_july_v)\n- 牛客网\u002F[笔试面经](https:\u002F\u002Fwww.nowcoder.com\u002Fdiscuss?type=2&order=0)\n- GitHub 搜索：[Deep Learning Interview](https:\u002F\u002Fgithub.com\u002Fsearch?q=deep+learning+interview)\n- GitHub 搜索：[Machine Learning Interview](https:\u002F\u002Fgithub.com\u002Fsearch?q=machine+learning+interview)\n\n工具\n---\n- 在线 LaTeX 公式编辑器 http:\u002F\u002Fwww.codecogs.com\u002Flatex\u002Feqneditor.php\n\n\u003C!-- ### 发布站点\n- [算法\u002FNLP\u002F深度学习\u002F机器学习面试笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41515995) - 知乎\n- [算法\u002FNLP\u002F深度学习\u002F机器学习面试笔记](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F55b0703aa1ad) - 简书 \n- [算法\u002FNLP\u002F深度学习\u002F机器学习面试笔记](https:\u002F\u002Fblog.csdn.net\u002Fimhuay\u002Farticle\u002Fdetails\u002F81490564) - CSDN博客 \n- [GitHub 上整理的深度学习\u002F机器学习面试笔记](https:\u002F\u002Fwww.v2ex.com\u002Ft\u002F473047) - V2EX  -->","算法\u002F深度学习\u002FNLP面试笔记\n===\n**GitHub** 地址：https:\u002F\u002Fgithub.com\u002Fimhuay\u002FAlgorithm_Interview_Notes-Chinese\n\nRoadMap\n---\n\n- :soccer: [\u003Cfont size=+1>机器学习\u003C\u002Ffont>](.\u002FA-机器学习)\n- :basketball: [\u003Cfont size=+1>深度学习\u003C\u002Ffont>](.\u002FA-深度学习)\n- :hamburger: [\u003Cfont size=+1>自然语言处理\u003C\u002Ffont>](.\u002FB-自然语言处理)\n- :fries: [\u003Cfont size=+1>计算机视觉\u003C\u002Ffont>](.\u002FB-计算机视觉)\n- :cherries: [\u003Cfont size=+1>数学\u003C\u002Ffont>](.\u002FC-数学)\n- :apple: [\u003Cfont size=+1>算法\u003C\u002Ffont>](.\u002FC-算法)\n- :strawberry: [\u003Cfont size=+1>编程语言\u003C\u002Ffont>](.\u002FC-编程语言)\n- :cookie: [\u003Cfont size=+1>笔试面经\u003C\u002Ffont>](.\u002FD-笔试面经)\n\n\u003C!--\n算法\u002F深度学习\u002F机器学习面试问题整理，想法最初来源于这个[仓库](https:\u002F\u002Fgithub.com\u002Felviswf\u002FDeepLearningBookQA_cn).\n - 该仓库整理了“花书”《深度学习》中的一些常见问题，其中部分偏理论的问题没有收录，如有需要可以浏览原仓库。 \n\n此外，还包括我看到的所有机器学习\u002F深度学习面经中的问题。\n除了其中 DL\u002FML 相关的，其他与算法岗相关的计算机知识也会记录。\n但是不会包括如前端\u002F测试\u002FJAVA\u002FAndroid等岗位中有关的问题。\n-->\n\n\u003C!--\n## RoadMap\n- [数学](.\u002F数学)\n  - [微积分的本质](.\u002F数学\u002F微积分的本质.md)\n  - [深度学习的核心](.\u002F数学\u002F深度学习的核心.md)\n- [机器学习-深度学习-NLP](.\u002F机器学习-深度学习-NLP)\n  - 深度学习\n    - [深度学习基础](.\u002F机器学习-深度学习-NLP\u002FDL-A-深度学习基础.md)\n    - [《深度学习》整理](.\u002F机器学习-深度学习-NLP\u002FDL-《深度学习》整理.md)\n    - [专题-CNN](.\u002F机器学习-深度学习-NLP\u002FDL-B-专题-CNN.md)\n    - [专题-RNN](.\u002F机器学习-深度学习-NLP\u002FDL-B-专题-RNN.md)\n    - [专题-序列建模](.\u002F机器学习-深度学习-NLP\u002FDL-C-专题-序列建模.md)\n  - 机器学习\n    - [机器学习算法](.\u002F机器学习-深度学习-NLP\u002FML-机器学习算法.md)\n    - [机器学习实践](.\u002F机器学习-深度学习-NLP\u002FML-机器学习实践.md)\n  - 自然语言处理\n    - [NLP 基础](.\u002F机器学习-深度学习-NLP\u002FNLP-A-自然语言处理基础.md)\n    - [专题-词向量](.\u002F机器学习-深度学习-NLP\u002FNLP-B-专题-词向量.md)\n      - [Word2Vec](.\u002F机器学习-深度学习-NLP\u002FNLP-B-专题-词向量.md#word2vec)\n      - [GloVe](.\u002F机器学习-深度学习-NLP\u002FNLP-B-专题-词向量.md#glove)\n      - [FastText](.\u002F机器学习-深度学习-NLP\u002FNLP-B-专题-词向量.md#fasttext)\n- [算法](.\u002F算法)\n  - [专题-动态规划](.\u002F算法\u002F专题-动态规划.md)\n  - [专题-洗牌、采样、随机数](.\u002F算法\u002F专题-洗牌、采样、随机数.md)\n  - [题解-剑指Offer](.\u002F算法\u002F题解-剑指Offer.md)\n  - [题解-LeetCode](.\u002F算法\u002F题解-剑指Offer.md)\n- [编程语言](.\u002F编程语言)\n  - C\u002FC++\n    - [专题-基础知识](.\u002F编程语言\u002FCpp-基础知识.md)\n    - [专题-左值与右值](.\u002F编程语言\u002FCpp-左值与右值.md)\n    - [专题-面向对象编程](.\u002F编程语言\u002FCpp-面向对象编程.md)\n  - Python TODO\n- [笔试面经](.\u002F笔试面经)\n- [project](.\u002Fproject)\n- [code](.\u002Fcode)\n  - [工具库](.\u002Fcode\u002F工具库)\n    - [gensim.FastText 的使用](.\u002F机器学习-深度学习-NLP\u002FNLP-词向量.md#gensimmodelsfasttext-使用示例)\n  - [倒排索引](.\u002Fcode\u002Fmodel\u002F倒排索引)\n- [招聘要求](.\u002F招聘要求.md)\n\n-->\n\n欢迎分享你在面试中遇见的问题！\n---\n- 你可以直接以你遇到的问题作为 issue 标题，然后分享你的回答或者其他参考资料。\n- 我会经常修改文档的结构。如果文中有链接失效，请告诉我！\n\n推荐阅读\n---\n- exacity\u002F[deeplearningbook-chinese](https:\u002F\u002Fgithub.com\u002Fexacity\u002Fdeeplearningbook-chinese): 深度学习中文版 \n- elviswf\u002F[DeepLearningBookQA_cn](https:\u002F\u002Fgithub.com\u002Felviswf\u002FDeepLearningBookQA_cn): 深度学习面试问题\n- huihut\u002F[interview: C\u002FC++面试知识总结](https:\u002F\u002Fgithub.com\u002Fhuihut\u002Finterview) \n- CSDN博客\u002F[结构之法 算法之道](https:\u002F\u002Fblog.csdn.net\u002Fv_july_v)\n- 牛客网\u002F[笔试面经](https:\u002F\u002Fwww.nowcoder.com\u002Fdiscuss?type=2&order=0)\n- GitHub 搜索：[Deep Learning Interview](https:\u002F\u002Fgithub.com\u002Fsearch?q=deep+learning+interview)\n- GitHub 搜索：[Machine Learning Interview](https:\u002F\u002Fgithub.com\u002Fsearch?q=machine+learning+interview)\n\n工具\n---\n- 在线 LaTeX 公式编辑器 http:\u002F\u002Fwww.codecogs.com\u002Flatex\u002Feqneditor.php\n\n\u003C!-- ### 发布站点\n- [算法\u002FNLP\u002F深度学习\u002F机器学习面试笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41515995) - 知乎\n- [算法\u002FNLP\u002F深度学习\u002F机器学习面试笔记](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F55b0703aa1ad) - 简书 \n- [算法\u002FNLP\u002F深度学习\u002F机器学习面试笔记](https:\u002F\u002Fblog.csdn.net\u002Fimhuay\u002Farticle\u002Fdetails\u002F81490564) - CSDN博客 \n- [GitHub 上整理的深度学习\u002F机器学习面试笔记](https:\u002F\u002Fwww.v2ex.com\u002Ft\u002F473047) - V2EX  -->","# Algorithm_Interview_Notes-Chinese 快速上手指南\n\n本仓库是专为算法、深度学习及 NLP 岗位面试准备的中文笔记合集，涵盖机器学习、数学基础、编程语言（C++\u002FPython）及笔试面经等内容。由于本项目主要为文档资料库，无需复杂的环境配置或编译安装。\n\n## 环境准备\n\n*   **系统要求**：Windows \u002F macOS \u002F Linux 均可，无特定操作系统限制。\n*   **前置依赖**：\n    *   **Git**：用于克隆仓库代码。\n    *   **Markdown 阅读器**：推荐使用 VS Code（配合 Markdown Preview Enhanced 插件）、Typora 或直接使用 GitHub\u002FGitee 网页端浏览。\n    *   **浏览器**：用于查看在线文档或渲染 LaTeX 公式。\n\n## 安装步骤\n\n通过 Git 将仓库克隆到本地即可开始使用。考虑到网络稳定性，推荐优先使用国内镜像源。\n\n### 方案一：使用 Gitee 镜像（推荐国内用户）\n```bash\ngit clone https:\u002F\u002Fgitee.com\u002Fimhuay\u002FAlgorithm_Interview_Notes-Chinese.git\n```\n*(注：如果 Gitee 地址失效，请使用下方 GitHub 原生地址)*\n\n### 方案二：使用 GitHub 原生地址\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fimhuay\u002FAlgorithm_Interview_Notes-Chinese.git\n```\n\n### 更新笔记\n若需获取最新的面试题目和整理内容，进入目录后执行：\n```bash\ncd Algorithm_Interview_Notes-Chinese\ngit pull\n```\n\n## 基本使用\n\n本项目核心内容为 Markdown 格式的笔记文件，直接使用文本编辑器或 IDE 打开阅读即可。\n\n### 1. 浏览目录结构\n进入项目根目录，主要模块如下：\n*   `A-机器学习` \u002F `B-深度学习`：核心算法理论整理。\n*   `C-自然语言处理` \u002F `D-计算机视觉`：垂直领域专题笔记。\n*   `E-算法`：包含动态规划、LeetCode 题解等。\n*   `F-数学`：微积分、线性代数等基础。\n*   `G-编程语言`：C++ 基础、面向对象等。\n*   `H-笔试面经`：真实面试经验汇总。\n\n### 2. 阅读具体笔记\n以阅读“深度学习基础”为例，在终端或文件管理器中定位并打开对应文件：\n\n```bash\n# 进入深度学习目录\ncd \"B-深度学习\"\n\n# 使用 VS Code 打开基础笔记 (需安装 VS Code 命令行工具)\ncode \"DL-A-深度学习基础.md\"\n\n# 或者直接使用系统默认 Markdown 阅读器打开\nopen \"DL-A-深度学习基础.md\"  # macOS\nxdg-open \"DL-A-深度学习基础.md\" # Linux\nstart \"DL-A-深度学习基础.md\"  # Windows\n```\n\n### 3. 参与贡献与反馈\n如果你遇到了新的面试问题或发现链接失效，可以通过以下方式互动：\n*   **提交 Issue**：在 GitHub\u002FGitee 页面新建 Issue，标题格式建议为“遇到的具体问题”，并在内容中分享你的回答或参考资料。\n*   **提交 PR**：修正文档错误或补充新内容。\n\n> **提示**：文档中包含大量 LaTeX 数学公式，请确保你的阅读器支持 MathJax 或类似渲染引擎，以获得最佳阅读体验。","应届生李明正在备战某大厂的算法工程师秋招，面对涵盖机器学习、深度学习、NLP 及 C++ 基础的庞大知识体系，他急需高效梳理面试考点。\n\n### 没有 Algorithm_Interview_Notes-Chinese 时\n- **资料分散且筛选成本高**：需要在知乎、CSDN、GitHub 等多个平台搜索零散的面经，难以区分哪些是算法岗核心考点，哪些是前端或测试岗位的无关内容。\n- **理论复习缺乏系统性**：面对《深度学习》花书等厚重教材，难以快速定位如\"RNN 梯度消失”、“词向量原理”等高频面试题的理论本质，复习进度缓慢。\n- **手撕代码准备盲目**：不清楚大厂笔试中动态规划、随机采样等算法题的出题倾向，只能盲目刷题，缺乏针对剑指 Offer 和 LeetCode 高频题的精炼总结。\n- **语言基础细节易遗漏**：在准备 C++ 面试时，容易忽略“左值与右值”、“面向对象特性”等底层细节，导致在基础面环节意外失分。\n\n### 使用 Algorithm_Interview_Notes-Chinese 后\n- **一站式精准获取考点**：直接利用其按机器学习、NLP、计算机视觉等分类的清晰目录，瞬间锁定算法岗专属知识树，自动过滤掉非相关岗位噪音。\n- **核心理论直击要害**：通过“深度学习基础”和“专题-CNN\u002FRNN\"等章节，快速掌握面试中常考的理论推导与核心概念，将原本需要数天的教材研读压缩至几小时。\n- **算法解题有的放矢**：参考“专题 - 动态规划”及剑指 Offer 题解，针对性地练习高频手写代码题，显著提升了解题速度与准确率。\n- **语言细节全面覆盖**：借助 C++ 基础知识与面向对象编程专题，系统补全了以往容易忽视的语言底层机制，确保基础问答环节滴水不漏。\n\nAlgorithm_Interview_Notes-Chinese 将碎片化的面试资源重构为系统化的备战地图，帮助求职者从盲目海投转向精准突击，极大提升了拿 Offer 的效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDarLiner_Algorithm_Interview_Notes-Chinese_dfb3b4d1.png","DarLiner",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FDarLiner_4110b1fc.jpg","https:\u002F\u002Fgithub.com\u002FDarLiner",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",57.7,{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",39.7,{"name":90,"color":91,"percentage":92},"C++","#f34b7d",2.6,2452,517,"2026-04-13T17:20:49","","未说明",{"notes":99,"python":97,"dependencies":100},"该项目为算法、深度学习及 NLP 的面试笔记文档仓库，主要包含 Markdown 格式的文本资料和代码片段（如 C++\u002FPython 示例），并非一个需要特定运行环境部署的 AI 模型或训练框架。用户只需使用浏览器查看或使用任意文本编辑器阅读即可，无特定的操作系统、GPU、内存或 Python 版本依赖要求。",[],[15],"2026-03-27T02:49:30.150509","2026-04-14T12:34:22.031531",[],[]]