[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MLEveryday--practicalAI-cn":3,"tool-MLEveryday--practicalAI-cn":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","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},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":92,"env_deps":94,"category_tags":101,"github_topics":102,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":121},661,"MLEveryday\u002FpracticalAI-cn","practicalAI-cn","AI实战-practicalAI 中文版","practicalAI-cn 是一个专注于机器学习与深度学习的开源实战项目中文版。它旨在帮助用户利用数据获取有价值的见解，通过 PyTorch 框架实现了从基础算法到复杂深度神经网络的全套代码示例。\n\n这个项目主要解决了初学者在配置本地开发环境时遇到的繁琐问题。用户无需安装任何软件，只需通过 Google Colab 在浏览器中即可直接运行所有 Notebook，极大地降低了上手门槛。除了基础的数据处理（如 Python、NumPy、Pandas）和传统机器学习模型外，它还涵盖了卷积神经网络、循环神经网络、生成对抗网络等进阶主题，并特别强调产品级的面向对象编程规范，帮助学习者写出更专业的代码。\n\npracticalAI-cn 非常适合希望快速掌握 AI 实战技能的开发者、研究人员以及高校学生。无论你是想巩固线性回归等基础知识，还是探索计算机视觉、自然语言处理或强化学习等前沿领域，这里都能提供丰富的 Notebook 资源供你参考和实践。通过在线协作和云端保存功能，让学习过程更加流畅高效。","# AI实战-[practicalAI](https:\u002F\u002Fgithub.com\u002FLisonEvf\u002FpracticalAI-cn) 中文版\n[![Colab](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flaunch-Google%20Colab-orange.svg)](https:\u002F\u002Fcolab.research.google.com\u002F)\n[![MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-brightgreen.svg)](https:\u002F\u002Fgithub.com\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002FLICENSE)\n[![Author](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAuthor-GokuMohandas-blue.svg)](https:\u002F\u002Fgithub.com\u002FGokuMohandas)\n[![Fork](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FFork-MLEveryday\u002FpracticalAI--cn-yellow.svg)](https:\u002F\u002Fgithub.com\u002FMLEveryday\u002FpracticalAI-cn)\n\n让你有能力使用机器学习从数据中获取有价值的见解。\n- 🔥 使用 [PyTorch](https:\u002F\u002Fpytorch.org\u002F) 实现基本的机器学习算法和深度神经网络。\n- 🖥️ 不需要任何设置，在浏览器中使用 [Google Colab](https:\u002F\u002Fcolab.research.google.com\u002F) 运行所有程序。\n- 📦 不仅仅是教程，而是学习产品级的面向对象机器学习编程。\n\n## Notebooks\n|基础|深度学习|进阶|主题|\n|-|-|-|-|\n|📓 [Notebooks](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F00_Notebooks.ipynb)|🔥 [PyTorch](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F07_PyTorch.ipynb)|📚 [高级循环神经网络 Advanced RNNs](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F14_Advanced_RNNs.ipynb)|📸 [计算机视觉 Computer Vision](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F15_Computer_Vision.ipynb)|\n|🐍 [Python](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F01_Python.ipynb)|🎛️ [多层感知 Multilayer Perceptrons](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F08_Multilayer_Perceptron.ipynb)|🏎️ Highway and Residual Networks|⏰ 时间序列分析 Time Series Analysis|\n|🔢 [NumPy](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F02_NumPy.ipynb)|🔎 [数据和模型 Data & Models](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F09_Data_and_Models.ipynb)|🔮 自编码器 Autoencoders|🏘️ Topic Modeling|\n| 🐼 [Pandas](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F03_Pandas.ipynb) |📦 [面向对象的机器学习 Object-Oriented ML](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F10_Object_Oriented_ML.ipynb)|🎭 生成对抗网络 Generative Adversarial Networks|🛒 推荐系统 Recommendation Systems|\n|📈 [线性回归 Linear Regression](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F04_Linear_Regression.ipynb)|🖼️ [卷积神经网络 Convolutional Neural Networks](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F11_Convolutional_Neural_Networks.ipynb)|🐝 空间变换模型 Spatial Transformer Networks|🗣️ 预训练语言模型 Pretrained Language Modeling|\n|📊 [逻辑回归 Logistic Regression](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F05_Logistic_Regression.ipynb)|📝 [嵌入层 Embeddings](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F12_Embeddings.ipynb)||🤷 多任务学习 Multitask Learning|\n|🌳 [随机森林 Random Forests](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F06_Random_Forests.ipynb)|📗 [递归神经网络 Recurrent Neural Networks](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F13_Recurrent_Neural_Networks.ipynb)||🎯 Low Shot Learning|\n|💥 k-均值聚类 KMeans Clustering|||🍒 强化学习 Reinforcement Learning|\n\n## 查看 notebooks\n\n如果不需要运行 notebooks，使用 Jupyter nbviewer 就可以方便地查看它们。\n\n将 `https:\u002F\u002Fgithub.com\u002F` 替换为 `https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002F` ，或者打开 `https:\u002F\u002Fnbviewer.jupyter.org` 并输入 notebook 的 URL。\n\n## 运行 notebooks\n1. 在本项目的 [`notebooks`](\u002Fnotebooks\u002F) 文件夹获取 notebook；\n2. 你可以在 Google Colab（推荐）或本地电脑运行这些 notebook；\n3. 点击一个 notebook，然后替换URL地址中 `https:\u002F\u002Fgithub.com\u002F` 为 `https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002F` ，或者使用这个 [Chrome扩展](https:\u002F\u002Fchrome.google.com\u002Fwebstore\u002Fdetail\u002Fopen-in-colab\u002Fiogfkhleblhcpcekbiedikdehleodpjo) 一键完成；\n4. 登录你自己的 Google 账户；\n5. 点击工具栏上的 `复制到云端硬盘`，会在一个新的标签页打开 notebook；\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMLEveryday_practicalAI-cn_readme_5bd0b7452fee.png\">\n\n5. 通过去掉标题中的`副本`完成 notebook 重命名；\n6. 运行代码、修改等，所有这些都会自动保存到你的个人 Google Drive。\n\n## 贡献 notebooks\n1. 修改后下载 Google Colab notebook 为 .ipynb 文件；\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMLEveryday_practicalAI-cn_readme_1056e9b5682d.png\">\n\n2. 转到 https:\u002F\u002Fgithub.com\u002FLisonEvf\u002FpracticalAI-cn\u002Ftree\u002Fmaster\u002Fnotebooks ；\n3. 点击 `Upload files`.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMLEveryday_practicalAI-cn_readme_6bc5670cd9d5.png\">\n\n5. 上传这个 .ipynb 文件；\n6. 写一个详细详细的提交标题和说明；\n7. 适当命名你的分支；\n8. 点击 `Propose changes`。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMLEveryday_practicalAI-cn_readme_c951b8172698.png\">\n\n## 贡献列表\n欢迎任何人参与和完善。\n\n|Notebook|译者|\n|--|--|\n|00_Notebooks.ipynb|[@amusi](https:\u002F\u002Fgithub.com\u002Famusi)|\n|01_Python.ipynb|[@amusi](https:\u002F\u002Fgithub.com\u002Famusi)|\n|02_NumPy.ipynb|[@amusi](https:\u002F\u002Fgithub.com\u002Famusi)|\n|03_Pandas.ipynb|[@amusi](https:\u002F\u002Fgithub.com\u002Famusi)|\n|04_Linear_Regression.ipynb|[@jasonhhao](https:\u002F\u002Fgithub.com\u002Fjasonhhao)|\n|05_Logistic_Regression.ipynb|[@jasonhhao](https:\u002F\u002Fgithub.com\u002Fjasonhhao)|\n|06_Random_Forests.ipynb|[@jasonhhao](https:\u002F\u002Fgithub.com\u002Fjasonhhao)|\n|07_PyTorch.ipynb|[@amusi](https:\u002F\u002Fgithub.com\u002Famusi)|\n|08_Multilayer_Perceptron.ipynb|[@zhyongquan](https:\u002F\u002Fgithub.com\u002Fzhyongquan)|\n|09_Data_and_Models.ipynb|[@zhyongquan](https:\u002F\u002Fgithub.com\u002Fzhyongquan)|\n|10_Object_Oriented_ML.ipynb|[@zhyongquan](https:\u002F\u002Fgithub.com\u002Fzhyongquan)|\n|11_Convolutional_Neural_Networks.ipynb||\n|12_Embeddings.ipynb|[@wengJJ](https:\u002F\u002Fgithub.com\u002FwengJJ)|\n|13_Recurrent_Neural_Networks.ipynb||\n|14_Advanced_RNNs.ipynb||\n|15_Computer_Vision.ipynb|||\n","# AI 实战-[practicalAI](https:\u002F\u002Fgithub.com\u002FLisonEvf\u002FpracticalAI-cn) 中文版\n[![Colab](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flaunch-Google%20Colab-orange.svg)](https:\u002F\u002Fcolab.research.google.com\u002F)\n[![MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-brightgreen.svg)](https:\u002F\u002Fgithub.com\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002FLICENSE)\n[![Author](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAuthor-GokuMohandas-blue.svg)](https:\u002F\u002Fgithub.com\u002FGokuMohandas)\n[![Fork](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FFork-MLEveryday\u002FpracticalAI--cn-yellow.svg)](https:\u002F\u002Fgithub.com\u002FMLEveryday\u002FpracticalAI-cn)\n\n让你有能力使用机器学习从数据中获取有价值的见解。\n- 🔥 使用 [PyTorch](https:\u002F\u002Fpytorch.org\u002F) 实现基本的机器学习算法和深度神经网络。\n- 🖥️ 不需要任何设置，在浏览器中使用 [Google Colab](https:\u002F\u002Fcolab.research.google.com\u002F) 运行所有程序。\n- 📦 不仅仅是教程，而是学习产品级的面向对象机器学习编程。\n\n## 代码库\n|基础|深度学习|进阶|主题|\n|-|-|-|-|\n|📓 [Notebooks](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F00_Notebooks.ipynb)|🔥 [PyTorch](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F07_PyTorch.ipynb)|📚 [高级循环神经网络 Advanced RNNs](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F14_Advanced_RNNs.ipynb)|📸 [计算机视觉 Computer Vision](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F15_Computer_Vision.ipynb)|\n|🐍 [Python](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F01_Python.ipynb)|🎛️ [多层感知 Multilayer Perceptrons](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F08_Multilayer_Perceptron.ipynb)|🏎️ 高速公路与残差网络 Highway and Residual Networks|⏰ 时间序列分析 Time Series Analysis|\n|🔢 [NumPy](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F02_NumPy.ipynb)|🔎 [数据和模型 Data & Models](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F09_Data_and_Models.ipynb)|🔮 自编码器 Autoencoders|🏘️ 主题建模 Topic Modeling|\n| 🐼 [Pandas](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F03_Pandas.ipynb) |📦 [面向对象的机器学习 Object-Oriented ML](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F10_Object_Oriented_ML.ipynb)|🎭 生成对抗网络 Generative Adversarial Networks|🛒 推荐系统 Recommendation Systems|\n|📈 [线性回归 Linear Regression](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F04_Linear_Regression.ipynb)|🖼️ [卷积神经网络 Convolutional Neural Networks](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F11_Convolutional_Neural_Networks.ipynb)|🐝 空间变换模型 Spatial Transformer Networks|🗣️ 预训练语言模型 Pretrained Language Modeling|\n|📊 [逻辑回归 Logistic Regression](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F05_Logistic_Regression.ipynb)|📝 [嵌入层 Embeddings](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F12_Embeddings.ipynb)||🤷 多任务学习 Multitask Learning|\n|🌳 [随机森林 Random Forests](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F06_Random_Forests.ipynb)|📗 [递归神经网络 Recurrent Neural Networks](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F13_Recurrent_Neural_Networks.ipynb)||🎯 少样本学习 Low Shot Learning|\n|💥 k-均值聚类 KMeans Clustering|||🍒 强化学习 Reinforcement Learning|\n\n## 查看代码库\n\n如果不需要运行笔记本，使用 Jupyter nbviewer 就可以方便地查看它们。\n\n将 `https:\u002F\u002Fgithub.com\u002F` 替换为 `https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002F` ，或者打开 `https:\u002F\u002Fnbviewer.jupyter.org` 并输入笔记本的 URL。\n\n## 运行代码库\n1. 在本项目的 [`notebooks`](\u002Fnotebooks\u002F) 文件夹获取笔记本；\n2. 你可以在 Google Colab（推荐）或本地电脑运行这些笔记本；\n3. 点击一个笔记本，然后替换 URL 地址中 `https:\u002F\u002Fgithub.com\u002F` 为 `https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002F` ，或者使用这个 [Chrome 扩展](https:\u002F\u002Fchrome.google.com\u002Fwebstore\u002Fdetail\u002Fopen-in-colab\u002Fiogfkhleblhcpcekbiedikdehleodpjo) 一键完成；\n4. 登录你自己的 Google 账户；\n5. 点击工具栏上的 `复制到云端硬盘`，会在一个新的标签页打开笔记本；\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMLEveryday_practicalAI-cn_readme_5bd0b7452fee.png\">\n\n5. 通过去掉标题中的`副本`完成笔记本重命名；\n6. 运行代码、修改等，所有这些都会自动保存到你的个人 Google Drive。\n\n## 贡献代码库\n1. 修改后下载 Google Colab 笔记本为 .ipynb 文件；\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMLEveryday_practicalAI-cn_readme_1056e9b5682d.png\">\n\n2. 转到 https:\u002F\u002Fgithub.com\u002FLisonEvf\u002FpracticalAI-cn\u002Ftree\u002Fmaster\u002Fnotebooks ；\n3. 点击 `Upload files`.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMLEveryday_practicalAI-cn_readme_6bc5670cd9d5.png\">\n\n5. 上传这个 .ipynb 文件；\n6. 写一个详细的提交标题和说明；\n7. 适当命名你的分支；\n8. 点击 `提议更改`。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMLEveryday_practicalAI-cn_readme_c951b8172698.png\">\n\n## 贡献列表\n欢迎任何人参与和完善。\n\n|Notebook|译者|\n|--|--|\n|00_Notebooks.ipynb|[@amusi](https:\u002F\u002Fgithub.com\u002Famusi)|\n|01_Python.ipynb|[@amusi](https:\u002F\u002Fgithub.com\u002Famusi)|\n|02_NumPy.ipynb|[@amusi](https:\u002F\u002Fgithub.com\u002Famusi)|\n|03_Pandas.ipynb|[@amusi](https:\u002F\u002Fgithub.com\u002Famusi)|\n|04_Linear_Regression.ipynb|[@jasonhhao](https:\u002F\u002Fgithub.com\u002Fjasonhhao)|\n|05_Logistic_Regression.ipynb|[@jasonhhao](https:\u002F\u002Fgithub.com\u002Fjasonhhao)|\n|06_Random_Forests.ipynb|[@jasonhhao](https:\u002F\u002Fgithub.com\u002Fjasonhhao)|\n|07_PyTorch.ipynb|[@amusi](https:\u002F\u002Fgithub.com\u002Famusi)|\n|08_Multilayer_Perceptron.ipynb|[@zhyongquan](https:\u002F\u002Fgithub.com\u002Fzhyongquan)|\n|09_Data_and_Models.ipynb|[@zhyongquan](https:\u002F\u002Fgithub.com\u002Fzhyongquan)|\n|10_Object_Oriented_ML.ipynb|[@zhyongquan](https:\u002F\u002Fgithub.com\u002Fzhyongquan)|\n|11_Convolutional_Neural_Networks.ipynb||\n|12_Embeddings.ipynb|[@wengJJ](https:\u002F\u002Fgithub.com\u002FwengJJ)|\n|13_Recurrent_Neural_Networks.ipynb||\n|14_Advanced_RNNs.ipynb||\n|15_Computer_Vision.ipynb|||","# practicalAI-cn 快速上手指南\n\n## 环境准备\n\n本项目旨在通过浏览器零配置运行机器学习教程，推荐优先使用云端环境。\n\n- **推荐环境（Google Colab）**：\n  - 任意现代浏览器（Chrome 推荐）。\n  - 有效的 Google 账户。\n  - 无需本地安装 Python 或依赖库。\n- **本地环境（可选）**：\n  - Python 3.x\n  - Jupyter Notebook \u002F JupyterLab\n  - 相关依赖库（PyTorch, NumPy, Pandas 等）\n\n## 安装步骤\n\n本项目为开源教程仓库，无需传统意义上的软件安装，主要通过以下步骤访问和部署 Notebook：\n\n1. **访问项目仓库**\n   打开项目主页：https:\u002F\u002Fgithub.com\u002FLisonEvf\u002FpracticalAI-cn\n\n2. **在 Google Colab 中运行**\n   找到目标 Notebook 链接，将 URL 中的 `https:\u002F\u002Fgithub.com\u002F` 替换为 `https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002F`。\n   \n   例如，将：\n   ```text\n   https:\u002F\u002Fgithub.com\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F01_Python.ipynb\n   ```\n   修改为：\n   ```text\n   https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FLisonEvf\u002FpracticalAI-cn\u002Fblob\u002Fmaster\u002Fnotebooks\u002F01_Python.ipynb\n   ```\n\n   或者使用 Chrome 扩展 [Open in Colab](https:\u002F\u002Fchrome.google.com\u002Fwebstore\u002Fdetail\u002Fopen-in-colab\u002Fiogfkhleblhcpcekbiedikdehleodpjo) 一键转换。\n\n3. **保存副本**\n   - 登录你的 Google 账户。\n   - 点击工具栏上的 `文件` > `保存到云端硬盘` (File > Save a copy in Drive)。\n   - 在新标签页打开 Notebook，去掉标题中的“副本”字样完成重命名。\n\n## 基本使用\n\n### 查看 Notebook\n若仅需阅读代码而不需运行，可使用 Jupyter nbviewer 查看：\n- 访问：https:\u002F\u002Fnbviewer.jupyter.org\n- 输入 Notebook 的 GitHub URL 即可预览。\n\n### 运行与修改\n1. 在 Colab 界面中，按顺序点击单元格并运行代码。\n2. 所有修改和输出会自动保存到你的个人 Google Drive。\n3. 支持直接修改代码进行实验，无需担心环境污染。\n\n### 学习路径建议\n根据 README 分类，建议按以下顺序学习：\n1. **基础**：Python, NumPy, Pandas\n2. **机器学习**：线性回归，逻辑回归，随机森林\n3. **深度学习**：PyTorch, 多层感知机，CNN, RNN\n4. **进阶主题**：计算机视觉，时间序列分析，强化学习","某电商公司初级算法工程师小李，需要在两周内完成一个用户评论情感分析模型的快速原型开发，以便向团队展示技术可行性并争取项目资源。\n\n### 没有 practicalAI-cn 时\n- 本地环境配置极其繁琐，PyTorch 依赖库版本冲突常导致数小时无法开始编码\n- 网络教程多为零散脚本片段，缺乏符合生产标准的面向对象代码结构参考\n- 面对复杂深度学习架构无从下手，难以将理论知识转化为可维护的工程代码\n- 英文原版资料阅读吃力，对关键实现细节的理解容易产生偏差或遗漏\n\n### 使用 practicalAI-cn 后\n- 直接通过 Google Colab 链接运行 Notebook，无需本地安装即可零配置启动开发环境\n- 参照“面向对象的机器学习”章节，快速构建可复用的模型基类与标准化数据加载器\n- 利用内置的预训练语言模型示例进行迁移学习，一周内完成从数据处理到评估的全流程\n- 中文注释与详细讲解降低了认知负荷，准确理解 PyTorch 底层机制与工业级最佳实践\n\npracticalAI-cn 帮助开发者跨越环境配置与代码工程化的鸿沟，高效产出工业级 AI 解决方案。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMLEveryday_practicalAI-cn_54994a40.png","MLEveryday","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMLEveryday_decd58dd.jpg","machine learning everyday",null,"zhyongquan@gmail.com","https:\u002F\u002Fmleveryday.github.io\u002F","https:\u002F\u002Fgithub.com\u002FMLEveryday",[83],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",100,6780,1418,"2026-04-05T15:05:51","MIT",1,"未说明","未说明 (建议使用 Google Colab 或本地 NVIDIA GPU)",{"notes":95,"python":92,"dependencies":96},"项目推荐在 Google Colab 浏览器环境中运行，无需本地配置。本地运行需自行搭建 Python 和 Jupyter 环境。部分操作建议安装 Chrome 扩展以快速打开 Colab。内容涵盖机器学习与深度学习算法实现。",[97,98,99,100],"PyTorch","NumPy","Pandas","Jupyter",[13],[103,104,105,106,107],"machine-learning","jupyter-notebook","pytorch","google-colab-notebook","deep-learning","2026-03-27T02:49:30.150509","2026-04-06T11:30:58.468532",[111,116],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},2736,"线性回归章节的 sample_data.csv 文件是否丢失？","该问题已在仓库中关闭。建议检查对应章节的文件夹路径，或查看最新的 Commit 记录以确认文件位置及更新情况。","https:\u002F\u002Fgithub.com\u002FMLEveryday\u002FpracticalAI-cn\u002Fissues\u002F26",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},2737,"为什么原来的 practicalAI 项目找不到了？","当前仓库是 practicalAI 的中文翻译版本（practicalAI-cn）。原英文项目可能已归档或不再维护，建议直接使用此中文仓库进行学习和参考。","https:\u002F\u002Fgithub.com\u002FMLEveryday\u002FpracticalAI-cn\u002Fissues\u002F22",[]]