[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Rachnog--Deep-Trading":3,"tool-Rachnog--Deep-Trading":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。",75388,"2026-04-11T21:46:15",[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":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":79,"owner_company":80,"owner_location":81,"owner_email":72,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":98,"forks":99,"last_commit_at":100,"license":72,"difficulty_score":101,"env_os":102,"env_gpu":103,"env_ram":103,"env_deps":104,"category_tags":107,"github_topics":72,"view_count":10,"oss_zip_url":72,"oss_zip_packed_at":72,"status":108,"created_at":109,"updated_at":110,"faqs":111,"releases":127},6840,"Rachnog\u002FDeep-Trading","Deep-Trading","Algorithmic trading with deep learning experiments","Deep-Trading 是一个专注于利用深度学习技术进行量化交易实验的开源项目。它旨在解决传统金融预测模型在处理复杂市场数据时精度不足的问题，通过引入先进的神经网络架构，帮助交易者更准确地捕捉时间序列中的潜在规律，从而优化投资决策。\n\n目前，Deep-Trading 已发布第一阶段成果，主要聚焦于基础的时间序列价格预测功能。开发者计划在未来逐步集成更复杂的算法模型及其组合策略，引入多维特征数据，并在真实市场环境中验证和部署成熟的交易策略。\n\n该项目特别适合对量化金融感兴趣的开发者、数据科学家以及人工智能研究人员使用。如果你希望探索深度学习在金融市场中的应用，或者想要构建自己的自动化交易系统，Deep-Trading 提供了一个良好的起点和实验框架。其核心亮点在于将前沿的深度学习理论与实际交易场景紧密结合，支持从模型训练到策略回测的全流程实验，为用户提供了灵活且可扩展的技术底座。","# Deep-Trading\nAlgorithmic trading with deep learning experiments.\nNow released part one - simple time series forecasting.\nI plan to implement more sophisticated algorithms and their ensembles with different features, check their performance, train a trading strategy and go live.\n",null,"# Deep-Trading 快速上手指南\n\nDeep-Trading 是一个基于深度学习进行算法交易的实验性项目。目前第一阶段已发布，专注于简单的时间序列预测功能。\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**：Linux、macOS 或 Windows（推荐 Linux 环境以获得最佳兼容性）\n- **Python 版本**：Python 3.8 或更高版本\n- **前置依赖**：\n  - `pip` (Python 包管理工具)\n  - `git` (用于克隆代码库)\n  - 基础深度学习库支持（安装步骤中将自动处理）\n\n> **提示**：国内开发者建议使用清华源或阿里源加速 Python 包的下载。\n\n## 安装步骤\n\n1. **克隆项目仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fyour-repo\u002FDeep-Trading.git\n   cd Deep-Trading\n   ```\n\n2. **创建虚拟环境（推荐）**\n   ```bash\n   python -m venv venv\n   source venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\n   ```\n\n3. **安装依赖包**\n   \n   **默认方式：**\n   ```bash\n   pip install -r requirements.txt\n   ```\n\n   **国内加速方式（推荐）：**\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n## 基本使用\n\n本项目目前的核心功能是时间序列预测。以下是最简单的运行示例：\n\n1. **准备数据**\n   确保当前目录下存在格式正确的时间序列数据文件（如 `data.csv`），包含日期和价格列。\n\n2. **运行预测模型**\n   执行以下命令启动简单的深度学习预测实验：\n   ```bash\n   python main.py --mode forecast --data data.csv\n   ```\n\n3. **查看结果**\n   程序运行结束后，将在输出目录生成预测结果图表及性能评估指标（如 RMSE、MAE）。\n\n接下来您可以基于预测结果调整参数，或根据项目规划逐步尝试更复杂的集成算法与实盘策略训练。","一位量化交易研究员正试图利用深度学习模型预测加密货币的短期价格走势，以构建自动化的套利策略。\n\n### 没有 Deep-Trading 时\n- 研究人员需要从零搭建时间序列预测框架，花费数周时间处理数据清洗、特征工程及模型架构代码，开发效率极低。\n- 缺乏统一的实验管理流程，每次调整超参数或更换神经网络层结构时，难以系统化地记录和对比不同实验的性能表现。\n- 仅能依赖传统的统计模型或简单的机器学习算法，无法快速验证复杂的深度集成算法在非线性市场波动中的有效性。\n- 从模型训练到实盘部署之间存在巨大的鸿沟，缺乏标准化的策略回测与上线接口，导致验证周期漫长且风险不可控。\n\n### 使用 Deep-Trading 后\n- 直接复用工具中已实现的简单时间序列预测模块，将原本数周的基础搭建工作缩短至几天，迅速进入核心策略研发阶段。\n- 利用内置的实验框架轻松运行多种深度学习算法及其集成组合，自动生成性能对比报告，快速锁定最优模型参数。\n- 能够立即测试更复杂的特征组合与高级算法，深入挖掘市场数据中的非线性规律，显著提升价格预测的准确率。\n- 遵循工具规划的“训练 - 回测 - 实盘”路径，平滑地将验证成功的策略部署到真实交易环境，大幅降低试错成本与上线门槛。\n\nDeep-Trading 通过提供标准化的深度学习交易实验流程，让量化研究者能从繁琐的代码工程中解放出来，专注于策略逻辑本身并加速实盘落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRachnog_Deep-Trading_4052fa84.png","Rachnog","Alex Honchar","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FRachnog_6eb89cd5.jpg","Entrepreneur, AI practitioner, Educator","Neurons Lab LTD","Madrid, Spain","rachnogstyle","https:\u002F\u002Fmedium.com\u002F@alexrachnog","https:\u002F\u002Fgithub.com\u002FRachnog",[86,90,94],{"name":87,"color":88,"percentage":89},"OpenEdge ABL","#5ce600",81.2,{"name":91,"color":92,"percentage":93},"Jupyter Notebook","#DA5B0B",17.5,{"name":95,"color":96,"percentage":97},"Python","#3572A5",1.4,1459,692,"2026-03-20T03:36:27",4,"","未说明",{"notes":105,"python":103,"dependencies":106},"README 内容仅提供了项目的高层概述和路线图，未包含具体的运行环境需求、依赖库列表或安装说明。",[],[18],"ready_partial","2026-03-27T02:49:30.150509","2026-04-12T16:43:05.293179",[112,117,122],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},30851,"运行代码时出现 'TypeError: generator object is not subscriptable' 错误怎么办？","该错误通常由 networkx 版本不兼容引起。解决方法是将 networkx 从 2.0 降级到 1.11 版本。请在终端执行以下命令：\npip install networkx==1.11","https:\u002F\u002Fgithub.com\u002FRachnog\u002FDeep-Trading\u002Fissues\u002F12",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},30852,"使用 sklearn.StandardScaler() 处理 OHLCV 时间序列数据时有什么注意事项？","不能直接对整个包含滞后特征的数据框（OHLCV_data_with_lag）使用 fit_transform()，这是错误的做法。\n正确的步骤是：\n1. 仅对训练集使用 scaler.fit_transform() 进行拟合和转换。\n2. 对测试集使用 scaler.transform() 进行转换（使用训练集的参数）。\n这样可以防止数据泄露并确保模型评估的准确性。","https:\u002F\u002Fgithub.com\u002FRachnog\u002FDeep-Trading\u002Fissues\u002F3",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},30853,"导入 Keras 时出现 'ImportError: cannot import name np_utils' 错误如何解决？","这是由于 Keras 版本不兼容导致的。请将 Keras 安装或降级为 2.0.2 版本即可解决该问题。\n执行命令：\npip install keras==2.0.2","https:\u002F\u002Fgithub.com\u002FRachnog\u002FDeep-Trading\u002Fissues\u002F6",[]]