[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NLP-LOVE--ML-NLP":3,"tool-NLP-LOVE--ML-NLP":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":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":78,"difficulty_score":98,"env_os":99,"env_gpu":99,"env_ram":99,"env_deps":100,"category_tags":102,"github_topics":103,"view_count":107,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":136},245,"NLP-LOVE\u002FML-NLP","ML-NLP","此项目是机器学习(Machine Learning)、深度学习(Deep Learning)、NLP面试中常考到的知识点和代码实现，也是作为一个算法工程师必会的理论基础知识。","ML-NLP 是一个专注于机器学习、深度学习和自然语言处理（NLP）面试备考的开源知识库。该项目系统整理了算法工程师面试中常考的知识点，并配有详细的代码实现案例，帮助求职者有针对性地复习核心技术。\n\n项目涵盖了线性回归、逻辑回归、决策树、随机森林、GBDT、XGBoost、LightGBM、支持向量机、概率图模型、聚类等机器学习核心算法，以及神经网络、CNN、RNN等深度学习模型。每个章节不仅讲解理论要点，还提供实战代码，方便读者理论与实践结合。\n\nML-NLP 适合正在求职算法工程师岗位的开发者、想要巩固机器学习基础的研究人员，以及希望系统复习AI核心知识的从业者。项目以模块化结构组织，配套思维导图，便于快速建立清晰的知识体系，是面试前复习和日常巩固的实用资源。","## 项目介绍\n\n- 此项目是**机器学习、NLP面试**中常考到的**知识点和代码实现**，也是作为一个算法工程师必会的理论基础知识。\n- 既然是以面试为主要目的，亦不可以篇概全，请谅解，有问题可提出。\n- 此项目以各个模块为切入点，让大家有一个清晰的知识体系。\n- 此项目亦可拿来常读、常记以及面试时复习之用。\n- 每一章里的问题都是面试时有可能问到的知识点，如有遗漏可联系我进行补充，结尾处都有算法的**实战代码案例**。\n- 思维导图，**请关注 第5纪元 公众号并回复：NLP思维导图** ，即能下载高清大图。\n- ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNLP-LOVE_ML-NLP_readme_fbad316a647f.jpg)\n\n\n------\n\n\n\n## 目录\n\n- **项目持续更新中......**\n\n| 模块     | 章节                                                         | 负责人(GitHub)                          | 联系QQ    |\n| -------- | ------------------------------------------------------------ | --------------------------------------- | --------- |\n| 机器学习 | [1. 线性回归(Liner Regression)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002FLiner%20Regression\u002F1.Liner%20Regression.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [2. 逻辑回归(Logistics Regression)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F2.Logistics%20Regression\u002F2.Logistics%20Regression.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [3. 决策树(Desision Tree)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F3.Desition%20Tree\u002FDesition%20Tree.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [3.1 随机森林(Random Forest)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F3.1%20Random%20Forest\u002F3.1%20Random%20Forest.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [3.2 梯度提升决策树(GBDT)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F3.2%20GBDT\u002F3.2%20GBDT.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [3.3 XGBoost](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F3.3%20XGBoost\u002F3.3%20XGBoost.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [3.4 LightGBM](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F3.4%20LightGBM\u002F3.4%20LightGBM.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [4. 支持向量机(SVM)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F4.%20SVM\u002F4.%20SVM.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | 5. 概率图模型(Probabilistic Graphical Model)                 |                                         |           |\n| 机器学习 | [5.1 贝叶斯网络(Bayesian Network)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F5.1%20Bayes%20Network\u002F5.1%20Bayes%20Network.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [5.2 马尔科夫(Markov)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F5.2%20Markov\u002F5.2%20Markov.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [5.3 主题模型(Topic Model)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FMachine%20Learning\u002F5.3%20Topic%20Model) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [6.最大期望算法(EM)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FMachine%20Learning\u002F6.%20EM) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [7.聚类(Clustering)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FMachine%20Learning\u002F7.%20Clustering) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [8.ML特征工程和优化方法](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FMachine%20Learning\u002F8.%20ML%E7%89%B9%E5%BE%81%E5%B7%A5%E7%A8%8B%E5%92%8C%E4%BC%98%E5%8C%96%E6%96%B9%E6%B3%95) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [9.K近邻算法(KNN)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FMachine%20Learning\u002F9.%20KNN) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [10.神经网络(Neural Network)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F10.%20Neural%20Network) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [11. 卷积神经网络(CNN)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F11.%20CNN) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [12. 循环神经网络(RNN)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F12.%20RNN) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [12.1 门控循环单元(GRU)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F12.1%20GRU) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [12.2 长短期记忆(LSTM)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F12.2%20LSTM) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [13.迁移学习(Transfer)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F13.%20Transfer%20Learning) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [14.强化学习(Reinforcement) & 多任务](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F14.%20Reinforcement%20Learning) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [15. 深度学习的优化方法](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F15.%20DL%20Optimizer) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16. 自然语言处理(NLP)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.%20NLP) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.1 词嵌入(Word2Vec)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.1%20Word%20Embedding) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.2 子词嵌入(fastText)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.2%20fastText) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.3 全局向量词嵌入(GloVe)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.3%20GloVe) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.4 textRNN & textCNN](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.4%20textRNN%20%26%20textCNN) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.5 序列到序列模型(seq2seq)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.5%20seq2seq) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.6 注意力机制(Attention Mechanism)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.6%20Attention) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.7 Transformer模型](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.7%20Transformer) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.8 BERT模型](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.8%20BERT) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.9 XLNet模型](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.9%20XLNet) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 项目     | [17. 推荐系统(Recommendation System)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FProject\u002F17.%20Recommendation%20System) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 项目     | [18. 智能客服(Intelligent Customer Service)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FProject\u002F18.%20Intelligent%20Customer%20Service) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 项目     | 19. 知识图谱(Knowledge Graph)                                |                                         |           |\n| 项目     | 20. 评论分析                                                 |                                         |           |\n\n\n\n> 欢迎大家加入！共同完善此项目！\n\n**其他项目推荐：** [personal-llm-api 轻量级的 LLM 接口服务](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002Fpersonal-llm-api)\n","## 项目介绍\n\n- 此项目是**机器学习、NLP面试**中常考到的**知识点和代码实现**，也是作为一个算法工程师必会的理论基础知识。\n- 既然是以面试为主要目的，亦不可以篇概全，请谅解，有问题可提出。\n- 此项目以各个模块为切入点，让大家有一个清晰的知识体系。\n- 此项目亦可拿来常读、常记以及面试时复习之用。\n- 每一章里的问题都是面试时有可能问到的知识点，如有遗漏可联系我进行补充，结尾处都有算法的**实战代码案例**。\n- 思维导图，**请关注 第5纪元 公众号并回复：NLP思维导图** ，即能下载高清大图。\n- ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNLP-LOVE_ML-NLP_readme_fbad316a647f.jpg)\n\n## 目录\n\n- **项目持续更新中......**\n\n| 模块     | 章节                                                         | 负责人(GitHub)                          | 联系QQ    |\n| -------- | ------------------------------------------------------------ | --------------------------------------- | --------- |\n| 机器学习 | [1. 线性回归(Linear Regression)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002FLiner%20Regression\u002F1.Liner%20Regression.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [2. 逻辑回归(Logistic Regression)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F2.Logistics%20Regression\u002F2.Logistics%20Regression.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [3. 决策树(Decision Tree)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F3.Desition%20Tree\u002FDesition%20Tree.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [3.1 随机森林(Random Forest)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F3.1%20Random%20Forest\u002F3.1%20Random%20Forest.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [3.2 梯度提升决策树(GBDT)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F3.2%20GBDT\u002F3.2%20GBDT.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [3.3 XGBoost](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F3.3%20XGBoost\u002F3.3%20XGBoost.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [3.4 LightGBM](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F3.4%20LightGBM\u002F3.4%20LightGBM.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [4. 支持向量机(SVM)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F4.%20SVM\u002F4.%20SVM.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | 5. 概率图模型(Probabilistic Graphical Model)                 |                                         |           |\n| 机器学习 | [5.1 贝叶斯网络(Bayesian Network)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F5.1%20Bayes%20Network\u002F5.1%20Bayes%20Network.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [5.2 马尔可夫(Markov)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fblob\u002Fmaster\u002FMachine%20Learning\u002F5.2%20Markov\u002F5.2%20Markov.md) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [5.3 主题模型(Topic Model)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FMachine%20Learning\u002F5.3%20Topic%20Model) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [6.最大期望算法(EM)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FMachine%20Learning\u002F6.%20EM) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [7.聚类(Clustering)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FMachine%20Learning\u002F7.%20Clustering) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [8.机器学习特征工程和优化方法](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FMachine%20Learning\u002F8.%20ML%E7%89%B9%E5%BE%81%E5%B7%A5%E7%A8%8B%E5%92%8C%E4%BC%98%E5%8C%96%E6%96%B9%E6%B3%95) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 机器学习 | [9.K近邻算法(KNN)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FMachine%20Learning\u002F9.%20KNN) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [10.神经网络(Neural Network)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F10.%20Neural%20Network) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [11. 卷积神经网络(CNN)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F11.%20CNN) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [12. 循环神经网络(RNN)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F12.%20RNN) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [12.1 门控循环单元(GRU)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F12.1%20GRU) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [12.2 长短期记忆网络(LSTM)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F12.2%20LSTM) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [13.迁移学习(Transfer Learning)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F13.%20Transfer%20Learning) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [14.强化学习(Reinforcement Learning) & 多任务学习](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F14.%20Reinforcement%20Learning) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 深度学习 | [15. 深度学习的优化方法](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FDeep%20Learning\u002F15.%20DL%20Optimizer) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16. 自然语言处理(NLP)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.%20NLP) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.1 词嵌入(Word2Vec)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.1%20Word%20Embedding) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.2 子词嵌入(fastText)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.2%20fastText) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.3 全局向量词嵌入(GloVe)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.3%20GloVe) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.4 textRNN & textCNN](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.4%20textRNN%20%26%20textCNN) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.5 序列到序列模型(seq2seq)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.5%20seq2seq) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.6 注意力机制(Attention Mechanism)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.6%20Attention) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.7 Transformer模型](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.7%20Transformer) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.8 BERT模型](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.8%20BERT) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| NLP      | [16.9 XLNet模型](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FNLP\u002F16.9%20XLNet) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 项目     | [17. 推荐系统(Recommendation System)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FProject\u002F17.%20Recommendation%20System) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 项目     | [18. 智能客服(Intelligent Customer Service)](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Ftree\u002Fmaster\u002FProject\u002F18.%20Intelligent%20Customer%20Service) | [@mantchs](https:\u002F\u002Fgithub.com\u002FNLP-LOVE) | 448966528 |\n| 项目     | 19. 知识图谱(Knowledge Graph)                                |                                         |           |\n| 项目     | 20. 评论分析                                                 |                                         |           |\n\n\n\n> 欢迎大家加入！共同完善此项目！\n\n**其他项目推荐：** [personal-llm-api 轻量级的 LLM 接口服务](https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002Fpersonal-llm-api)","# ML-NLP 快速上手指南\n\n## 项目简介\n\nML-NLP 是一个专注于**机器学习、NLP 面试知识点与代码实现**的开源项目，涵盖机器学习、深度学习、NLP 及实战项目四大模块，适合作为算法工程师的面试复习资料。\n\n---\n\n## 环境准备\n\n### 系统要求\n\n- 操作系统：Windows \u002F macOS \u002F Linux\n- Python 版本：3.6+\n\n### 前置依赖\n\n确保已安装以下工具：\n\n- Git\n- Python 3.6+\n\n---\n\n## 安装步骤\n\n### 1. 克隆项目\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP.git\n```\n\n如遇网络问题，可使用国内镜像：\n\n```bash\ngit clone https:\u002F\u002Fgitee.com\u002Fnlp-love\u002FML-NLP.git\n```\n\n### 2. 进入项目目录\n\n```bash\ncd ML-NLP\n```\n\n### 3. 安装 Python 依赖（可选）\n\n项目中的代码示例可能需要以下依赖：\n\n```bash\npip install numpy pandas scikit-learn tensorflow pytorch\n```\n\n如需安装所有依赖，可查看各章节目录下的 `requirements.txt` 文件。\n\n---\n\n## 基本使用\n\n### 方式一：阅读文档\n\n直接浏览各章节的 Markdown 文件，学习理论知识和面试要点：\n\n```\nMachine Learning\u002F     # 机器学习模块\nDeep Learning\u002F        # 深度学习模块\nNLP\u002F                  # 自然语言处理模块\nProject\u002F              # 实战项目模块\n```\n\n### 方式二：运行代码示例\n\n进入具体章节目录，运行对应的 Python 脚本：\n\n```bash\ncd \"Machine Learning\u002F1. Liner Regression\"\npython liner_regression.py\n```\n\n### 方式三：获取思维导图\n\n关注公众号「**第5纪元**」，回复「**NLP思维导图**」即可下载高清知识导图。\n\n---\n\n## 快速导航\n\n| 模块 | 核心内容 |\n|------|----------|\n| 机器学习 | 线性回归、逻辑回归、决策树、SVM、GBDT、XGBoost、LightGBM 等 |\n| 深度学习 | CNN、RNN、LSTM、GRU、Transformer、迁移学习等 |\n| NLP | Word2Vec、BERT、GPT、Attention、文本分类、序列标注等 |\n| 实战项目 | 推荐系统、智能客服、知识图谱、评论分析等 |\n\n---\n\n## 相关资源\n\n- GitHub 仓库：https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\n- 推荐项目：personal-llm-api（轻量级 LLM 接口服务）","小李是一名有2年工作经验的算法工程师，近期收到了某互联网大厂NLP算法工程师的面试邀请，需要在两周内系统复习机器学习和NLP的核心知识点。\n\n### 没有 ML-NLP 时\n\n- 复习资料分散，需要在CSDN、知乎、GitHub等多个平台零散搜索，学习路径不清晰\n- 想要动手实践代码实现，但网上代码质量参差不齐，需要自己筛选和调试，耗时耗力\n- 不清楚面试官常问的知识点和考察深度，只能盲目背诵概念，效率低下\n- 对于XGBoost、LightGBM等进阶算法，仅了解概念但缺乏实战经验，担心面试时被要求手写代码\n- 深度学习部分如RNN、LSTM的梯度计算等难点无人讲解，只能硬背公式而无法深入理解\n\n### 使用 ML-NLP 后\n\n- 项目按模块划分，每个章节都有清晰的知识点梳理和思维导图，可快速建立知识体系\n- 每个算法都配有完整的Python代码实现，可直接运行调试，加深理解\n- 章节末尾汇总了面试高频考点，小李可以针对性地重点复习\n- 项目包含XGBoost、LightGBM等高级算法的详细讲解和实战代码，满足面试对手写能力的要求\n- 深度学习章节详细推导了反向传播等核心原理，配合代码示例帮助小李攻克难点\n\n小李通过ML-NLP在两周内完成了系统复习，面试时对答如流，最终成功拿到了offer。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNLP-LOVE_ML-NLP_ba2401f5.png","NLP-LOVE","Stark","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNLP-LOVE_4f31fbd9.png",null,"nlp_loves@163.com","http:\u002F\u002Fera.dx3906.info","https:\u002F\u002Fgithub.com\u002FNLP-LOVE",[83,87,91],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",91,{"name":88,"color":89,"percentage":90},"Python","#3572A5",8.9,{"name":92,"color":93,"percentage":94},"Shell","#89e051",0.1,17602,4639,"2026-04-05T11:06:12",1,"未说明",{"notes":101,"python":99,"dependencies":99},"该 README 为机器学习与 NLP 面试知识点总结项目，主要包含文档说明和代码示例，未提供具体的技术环境配置要求。项目涵盖线性回归、逻辑回归、决策树、随机森林、GBDT、XGBoost、LightGBM、SVM、贝叶斯网络、马尔可夫模型、主题模型、EM算法、聚类、KNN、神经网络、CNN、RNN、LSTM、GRU、迁移学习、强化学习、Word2Vec、fastText、GloVe、textRNN、textCNN、seq2seq、Attention、Transformer、BERT、XLNet、推荐系统、智能客服等算法与模型的知识点和实现代码。",[26,13],[104,105,106],"nlp","machine-learning","deep-learning",37,"2026-03-27T02:49:30.150509","2026-04-06T08:17:40.752027",[111,116,121,126,131],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},755,"sklearn 教程还会继续写吗？","目前作者还在找工作，没有时间继续编写 sklearn 教程。由于 sklearn 的知识点比较分散，建议直接阅读官方文档或中文文档即可满足学习需求。如果你想整理这一块内容，届时可以提交贡献。","https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fissues\u002F1",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},756,"KNN 部分切比雪夫距离章节中的 LaTeX 公式显示乱码怎么办？","这是文档显示问题，作者已收到反馈并修改完毕。如果遇到类似问题，可以尝试刷新页面或清除浏览器缓存后重新加载。","https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fissues\u002F4",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},757,"项目中引用的数据文件 kc_train2.csv 缺失怎么办？","这是房价预测数据集（housing price）的训练数据文件。如果在运行代码时发现该文件缺失，可以尝试在项目 Issues 区搜索或直接联系项目维护者获取数据文件。","https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fissues\u002F20",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},758,"项目中的链接无法打开怎么办？","链接无法访问可能是由于网络被劫持导致的。建议检查本地网络环境，尝试使用 VPN 或代理访问。如果是在国内访问 GitHub 相关资源，可以考虑使用国内镜像或加速器。","https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fissues\u002F51",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},759,"如何正确引用项目中的内容？","如需转载项目内容，请在文末添加转载说明，注明原文链接、作者及来源。例如：'[文章标题]. 作者名, 来源名. 发表年份.' 并确保获得作者授权。","https:\u002F\u002Fgithub.com\u002FNLP-LOVE\u002FML-NLP\u002Fissues\u002F3",[]]