[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-MicrosoftDocs--ml-basics":3,"similar-MicrosoftDocs--ml-basics":85},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":9,"readme_en":10,"readme_zh":11,"quickstart_zh":12,"use_case_zh":13,"hero_image_url":14,"owner_login":15,"owner_name":16,"owner_avatar_url":17,"owner_bio":18,"owner_company":11,"owner_location":11,"owner_email":19,"owner_twitter":20,"owner_website":21,"owner_url":22,"languages":23,"stars":32,"forks":33,"last_commit_at":34,"license":35,"difficulty_score":36,"env_os":37,"env_gpu":38,"env_ram":38,"env_deps":39,"category_tags":42,"github_topics":11,"view_count":44,"oss_zip_url":11,"oss_zip_packed_at":11,"status":45,"created_at":46,"updated_at":47,"faqs":48,"releases":84},3827,"MicrosoftDocs\u002Fml-basics","ml-basics","Exercise notebooks for Machine Learning modules on Microsoft Learn","ml-basics 是微软官方推出的一套机器学习入门实战练习集，专为配合 Microsoft Learn 平台上的“创建机器学习模型”学习路径而设计。它通过一系列结构清晰的 Jupyter Notebook 文件，将抽象的算法理论转化为可动手操作的代码实验，帮助学习者从零开始掌握数据预处理、模型训练及评估等核心技能。\n\n这套资源主要解决了初学者在理论学习与实际操作之间存在的断层问题。许多新手往往懂概念却不知如何落地，ml-basics 提供了标准化的代码环境和分步指导，让用户能在运行和修改代码的过程中直观理解模型运作机制，从而降低入门门槛，建立扎实的实践基础。\n\n该工具非常适合希望系统学习机器学习的开发者、学生以及刚转型进入 AI 领域的技术人员使用。对于需要规范教学材料的教育工作者，它也是一份优质的参考教案。虽然普通用户若无编程基础可能稍显吃力，但只要有基本的 Python 知识，即可顺畅上手。\n\n其独特亮点在于与微软官方课程体系的高度协同，内容经过严谨编排，确保了技术路线的权威性与连贯性。尽管目前暂不接受外部贡献以维持内容稳定性，但其开放的习题设计鼓励用户自主探索与调试，是迈向机器","ml-basics 是微软官方推出的一套机器学习入门实战练习集，专为配合 Microsoft Learn 平台上的“创建机器学习模型”学习路径而设计。它通过一系列结构清晰的 Jupyter Notebook 文件，将抽象的算法理论转化为可动手操作的代码实验，帮助学习者从零开始掌握数据预处理、模型训练及评估等核心技能。\n\n这套资源主要解决了初学者在理论学习与实际操作之间存在的断层问题。许多新手往往懂概念却不知如何落地，ml-basics 提供了标准化的代码环境和分步指导，让用户能在运行和修改代码的过程中直观理解模型运作机制，从而降低入门门槛，建立扎实的实践基础。\n\n该工具非常适合希望系统学习机器学习的开发者、学生以及刚转型进入 AI 领域的技术人员使用。对于需要规范教学材料的教育工作者，它也是一份优质的参考教案。虽然普通用户若无编程基础可能稍显吃力，但只要有基本的 Python 知识，即可顺畅上手。\n\n其独特亮点在于与微软官方课程体系的高度协同，内容经过严谨编排，确保了技术路线的权威性与连贯性。尽管目前暂不接受外部贡献以维持内容稳定性，但其开放的习题设计鼓励用户自主探索与调试，是迈向机器学习工程化之路的理想起点。","# Machine Learning Basics\n\nThis repository contains the exercise files for the [Create machine learning models](https:\u002F\u002Fdocs.microsoft.com\u002Flearn\u002Fpaths\u002Fcreate-machine-learn-models\u002F) learning path on Microsoft Learn.\n\n## Contributing\n\nWe are not currently accepting external contributions for this repo. If you encounter any problems, please report an issue.\n",null,"# ml-basics 快速上手指南\n\n`ml-basics` 是微软官方学习路径“创建机器学习模型”的配套练习仓库，旨在帮助开发者通过实战代码掌握机器学习基础概念。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Windows、macOS 或 Linux。\n*   **Python 版本**：推荐 Python 3.8 或更高版本。\n*   **包管理工具**：已安装 `pip`。\n*   **代码编辑器**：推荐使用 Visual Studio Code 或 Jupyter Notebook。\n\n> **注意**：本仓库目前不接受外部贡献（Pull Requests），如遇问题请直接提交 Issue。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将项目代码下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FMicrosoftDocs\u002Fml-basics.git\n    cd ml-basics\n    ```\n\n2.  **创建虚拟环境**\n    建议为项目创建独立的虚拟环境以避免依赖冲突：\n    ```bash\n    python -m venv venv\n    ```\n\n3.  **激活虚拟环境**\n    *   **Windows (CMD\u002FPowerShell):**\n        ```bash\n        venv\\Scripts\\activate\n        ```\n    *   **macOS \u002F Linux:**\n        ```bash\n        source venv\u002Fbin\u002Factivate\n        ```\n\n4.  **安装依赖**\n    国内用户建议使用清华源或阿里源加速安装：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *(如果根目录没有 `requirements.txt`，请进入具体的练习文件夹查找并安装对应的依赖文件)*\n\n## 基本使用\n\n本仓库由多个独立的练习文件夹组成，每个文件夹对应一个特定的机器学习主题。\n\n1.  **进入练习目录**\n    浏览 `docs` 或根目录下的文件夹结构，选择您想要学习的主题（例如 `01 - Introduction to Machine Learning`）：\n    ```bash\n    cd \"01 - Introduction to Machine Learning\"\n    ```\n\n2.  **运行示例代码**\n    大多数练习以 Jupyter Notebook (`.ipynb`) 形式提供。启动 Jupyter Lab 或 Notebook：\n    ```bash\n    jupyter lab\n    ```\n    或者直接在 VS Code 中打开 `.ipynb` 文件并运行单元格。\n\n3.  **跟随指引操作**\n    按照 Notebook 中的说明文字逐步执行代码块，观察模型训练过程及结果输出，完成相应的编码练习。","某高校数据科学专业的学生李明正在自学微软的机器学习课程，试图从零开始掌握模型构建的核心技能。\n\n### 没有 ml-basics 时\n- 学习路径支离破碎，需要在官方文档、GitHub 碎片代码和本地环境配置之间反复切换，难以形成完整的知识闭环。\n- 缺乏标准化的练习文件，每次动手实践都要手动编写大量重复的数据加载和预处理代码，极易因环境差异报错而中断学习。\n- 遇到算法原理不理解时，没有配套的交互式 Notebook 进行即时验证，只能纸上谈兵，无法直观看到参数调整对模型效果的影响。\n- 进度难以自测，完成理论学习后不知道如何检验自己是否真正掌握了建模流程，缺乏明确的实操验收标准。\n\n### 使用 ml-basics 后\n- 获得与微软官方学习路径严格同步的完整练习笔记本，一键即可在本地或云端运行，实现了“理论 - 代码 - 实践”的无缝衔接。\n- 直接复用预置好的高质量实验框架，将精力从繁琐的环境搭建中解放出来，专注于核心算法逻辑的理解与调优。\n- 通过可交互的代码单元格实时修改超参数并观察结果变化，将抽象的数学公式转化为可视化的模型表现，深刻理解算法机制。\n- 依托结构化的章节练习逐步通关，每完成一个模块都能通过运行结果获得即时反馈，清晰量化自己的技能成长轨迹。\n\nml-basics 通过将官方课程内容转化为可执行的交互式实验，极大地降低了机器学习入门的实践门槛，让学习者能高效地从理论认知跨越到实际建模能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMicrosoftDocs_ml-basics_b548fa4c.png","MicrosoftDocs","Microsoft Docs","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMicrosoftDocs_db0b6823.png","The modern documentation service for Microsoft","opensource@microsoft.com","docsmsft","https:\u002F\u002Flearn.microsoft.com","https:\u002F\u002Fgithub.com\u002FMicrosoftDocs",[24,28],{"name":25,"color":26,"percentage":27},"Jupyter Notebook","#DA5B0B",99.8,{"name":29,"color":30,"percentage":31},"Dockerfile","#384d54",0.2,1906,2327,"2026-03-30T18:34:01","MIT",1,"","未说明",{"notes":40,"python":38,"dependencies":41},"README 中未提供具体的运行环境需求、依赖库列表或安装说明。该仓库仅包含微软学习路径“创建机器学习模型”的练习文件，详细环境要求请参考对应的官方文档链接。",[],[43],"开发框架",2,"ready_partial","2026-03-27T02:49:30.150509","2026-04-06T05:17:34.039361",[49,54,59,64,69,74,79],{"id":50,"question_zh":51,"answer_zh":52,"source_url":53},17522,"打开笔记本时一直显示“正在重新连接到内核”（reconnecting to kernel）且无法连接，如何解决？","首先尝试更换不同的浏览器。如果问题仍然存在，请尝试删除并重新创建 Codespace 环境。","https:\u002F\u002Fgithub.com\u002FMicrosoftDocs\u002Fml-basics\u002Fissues\u002F2",{"id":55,"question_zh":56,"answer_zh":57,"source_url":58},17523,"运行 ResNet50 模型时遇到 CUDA 显存不足（OOM \u002F out of memory）错误怎么办？","该问题通常出现在本地 GPU 配置环境中。建议在 Azure ML 的 Standard_DS11_v2 计算实例上运行，该环境下验证无误。如果是本地环境问题，请检查 TensorFlow-GPU 配置或考虑使用云端计算资源。","https:\u002F\u002Fgithub.com\u002FMicrosoftDocs\u002Fml-basics\u002Fissues\u002F12",{"id":60,"question_zh":61,"answer_zh":62,"source_url":63},17524,"是否有用于免费试用 Azure 的促销代码（promo code）？","该仓库没有专门的促销代码。您可以直接访问 https:\u002F\u002Fazure.microsoft.com\u002Ffree\u002F 注册 Azure 免费试用账户。","https:\u002F\u002Fgithub.com\u002FMicrosoftDocs\u002Fml-basics\u002Fissues\u002F17",{"id":65,"question_zh":66,"answer_zh":67,"source_url":68},17525,"导入 sklearn.tree 时提示 ImportError: cannot import name 'export_text'，如何解决？","这是因为 scikit-learn 版本过低。请升级库到最新版本（至少 0.24.1），命令如下：\npip install -U scikit-learn\n升级后请使用 `python -m pip show scikit-learn` 验证版本，并记得重启 Jupyter Kernel。","https:\u002F\u002Fgithub.com\u002FMicrosoftDocs\u002Fml-basics\u002Fissues\u002F39",{"id":70,"question_zh":71,"answer_zh":72,"source_url":73},17526,"在 PyTorch 深度学习模型中，最后一层是否应该同时使用 Softmax 和 CrossEntropyLoss？","不应该。PyTorch 的 CrossEntropyLoss 期望输入是 logits（未归一化的分数），而不是经过 Softmax 归一化后的概率。请移除最后一层的 Softmax，直接将 logits 传入损失函数。","https:\u002F\u002Fgithub.com\u002FMicrosoftDocs\u002Fml-basics\u002Fissues\u002F48",{"id":75,"question_zh":76,"answer_zh":77,"source_url":78},17527,"如何在本地简化依赖包的安装过程？","虽然仓库文档列出了所需包，但为了方便安装（特别是配合 mybinder.org 等服务），建议参考根目录下的说明或自行创建 requirements.txt 文件。您可以使用 pip install -r requirements.txt 来一键安装所有依赖。","https:\u002F\u002Fgithub.com\u002FMicrosoftDocs\u002Fml-basics\u002Fissues\u002F7",{"id":80,"question_zh":81,"answer_zh":82,"source_url":83},17528,"运行 pandas groupby 操作时出现 ValueError: Grouper not 1-dimensional 错误？","这通常与特定的内核或环境配置有关。维护者在新的计算实例上无法复现此问题，建议您尝试创建一个新的计算实例（Compute Instance）或重置当前内核环境来排除配置冲突。","https:\u002F\u002Fgithub.com\u002FMicrosoftDocs\u002Fml-basics\u002Fissues\u002F34",[],[86,98,107,115,123,136],{"id":87,"name":88,"github_repo":89,"description_zh":90,"stars":91,"difficulty_score":92,"last_commit_at":93,"category_tags":94,"status":97},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",[43,95,96],"图像","Agent","ready",{"id":99,"name":100,"github_repo":101,"description_zh":102,"stars":103,"difficulty_score":44,"last_commit_at":104,"category_tags":105,"status":97},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",138956,"2026-04-05T11:33:21",[43,96,106],"语言模型",{"id":108,"name":109,"github_repo":110,"description_zh":111,"stars":112,"difficulty_score":44,"last_commit_at":113,"category_tags":114,"status":97},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",[43,95,96],{"id":116,"name":117,"github_repo":118,"description_zh":119,"stars":120,"difficulty_score":44,"last_commit_at":121,"category_tags":122,"status":97},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",[43,106],{"id":124,"name":125,"github_repo":126,"description_zh":127,"stars":128,"difficulty_score":44,"last_commit_at":129,"category_tags":130,"status":97},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",[95,131,132,133,96,134,106,43,135],"数据工具","视频","插件","其他","音频",{"id":137,"name":138,"github_repo":139,"description_zh":140,"stars":141,"difficulty_score":92,"last_commit_at":142,"category_tags":143,"status":97},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",[96,95,43,106,134]]