[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-SharifiZarchi--Introduction_to_Machine_Learning":3,"tool-SharifiZarchi--Introduction_to_Machine_Learning":62},[4,18,28,37,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},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",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":59,"last_commit_at":60,"category_tags":61,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,27],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":102,"forks":103,"last_commit_at":104,"license":79,"difficulty_score":59,"env_os":105,"env_gpu":106,"env_ram":106,"env_deps":107,"category_tags":110,"github_topics":111,"view_count":24,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":134},10110,"SharifiZarchi\u002FIntroduction_to_Machine_Learning","Introduction_to_Machine_Learning","Machine Learning Course, Sharif University of Technology","Introduction_to_Machine_Learning 是伊朗谢里夫理工大学计算机工程系推出的一套开源机器学习课程资源库。它旨在为学习者提供系统、高质量的入门指引，解决自学过程中资料分散、缺乏实战练习以及理论难以落地等痛点。\n\n这套资源不仅包含了完整的课程幻灯片，还配备了丰富的 Jupyter Notebook 代码示例和配套习题，帮助用户从理论推导平滑过渡到代码实现。此外，项目还整理了过往学期的历史资料，并链接至包含波斯语教学视频的官方网站，形成了立体化的学习闭环。所有内容均基于知识共享许可协议开放，鼓励在规范引用的前提下自由使用与传播。\n\n该资源特别适合计算机专业的学生、希望转行或进阶的开发者，以及对机器学习原理有深入研究需求的研究人员。对于想要夯实数学基础并掌握算法落地能力的初学者而言，这是一份不可多得的系统性教材。其独特的亮点在于将严谨的学术理论与可交互的代码实践紧密结合，让用户不仅能“看懂”公式，更能亲手“跑通”模型，从而真正理解机器学习的核心逻辑。","# Machine Learning Course  \n\nWelcome to the \"Machine Learning\" course of [Department of Computer Engineering](https:\u002F\u002Fce.sharif.edu), [Sharif University of Technology](https:\u002F\u002Fwww.sharif.edu). \n\nYou can access [slides](https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Ftree\u002Fmain\u002FSlides), [Jupyter notebooks](https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Ftree\u002Fmain\u002FJupyter_Notebooks), and [exercises](https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Ftree\u002Fmain\u002FExercises). \n\nFor course materials from previous semesters, please visit the [Previous Semesters](https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Ftree\u002Fmain\u002FPrevious_Semesters) section.\n\nClass videos and additional resources can be found on the [SharifML website](http:\u002F\u002Fwww.SharifML.ir) (Persian language).\n\nFeel free to use this content, provided you properly cite both the course and this GitHub repository. For more details, see the [Creative Commons BY license](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F).\n","# 机器学习课程  \n\n欢迎来到[计算机工程系](https:\u002F\u002Fce.sharif.edu)、[沙里夫理工大学](https:\u002F\u002Fwww.sharif.edu)的“机器学习”课程。\n\n您可以访问[课件](https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Ftree\u002Fmain\u002FSlides)、[Jupyter 笔记本](https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Ftree\u002Fmain\u002FJupyter_Notebooks)以及[习题](https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Ftree\u002Fmain\u002FExercises)。\n\n如需往届课程资料，请前往[往届课程](https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Ftree\u002Fmain\u002FPrevious_Semesters)部分。\n\n课堂视频及其他资源可在[SharifML 网站](http:\u002F\u002Fwww.SharifML.ir)上找到（波斯语）。\n\n欢迎您使用这些内容，但请务必正确引用本课程及此 GitHub 仓库。更多详情，请参阅[知识共享署名 4.0 许可协议](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F)。","# Introduction_to_Machine_Learning 快速上手指南\n\n本指南旨在帮助中国开发者快速开始使用由谢里夫理工大学（Sharif University of Technology）计算机工程系提供的机器学习课程资源。该仓库包含课程幻灯片、Jupyter Notebook 示例代码及练习题。\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 均可。\n*   **Python 版本**：推荐安装 Python 3.8 或更高版本。\n*   **前置依赖**：\n    *   `Git`：用于克隆代码仓库。\n    *   `Jupyter Lab` 或 `Jupyter Notebook`：用于运行交互式示例。\n    *   核心数据科学库：`numpy`, `pandas`, `matplotlib`, `scikit-learn`。\n\n> **国内加速建议**：\n> 推荐使用 [清华大学开源软件镜像站](https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002F) 或 [阿里云镜像站](https:\u002F\u002Fdeveloper.aliyun.com\u002Fmirror\u002F) 配置 pip 源，以加快依赖包下载速度。\n\n## 安装步骤\n\n### 1. 克隆仓库\n打开终端（Terminal）或命令提示符，执行以下命令获取源代码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning.git\ncd Introduction_to_Machine_Learning\n```\n\n### 2. 创建虚拟环境（推荐）\n为避免依赖冲突，建议创建独立的虚拟环境：\n\n```bash\npython -m venv ml_env\n```\n\n激活环境：\n*   **Windows**:\n    ```bash\n    ml_env\\Scripts\\activate\n    ```\n*   **macOS \u002F Linux**:\n    ```bash\n    source ml_env\u002Fbin\u002Factivate\n    ```\n\n### 3. 安装依赖\n虽然原仓库未提供统一的 `requirements.txt`，但根据机器学习课程惯例，请安装以下核心库。建议使用国内镜像源加速安装：\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy pandas matplotlib scikit-learn jupyterlab\n```\n\n## 基本使用\n\n安装完成后，您可以直接运行仓库中提供的 Jupyter Notebook 示例来学习机器学习算法。\n\n### 启动 Jupyter Lab\n进入 `Jupyter_Notebooks` 目录并启动服务：\n\n```bash\ncd Jupyter_Notebooks\njupyter lab\n```\n\n浏览器将自动打开 Jupyter Lab 界面。\n\n### 运行示例\n1.  在文件列表中选择一个 `.ipynb` 文件（例如涉及线性回归或分类算法的笔记）。\n2.  逐个单元格（Cell）运行代码，观察数据预处理、模型训练及可视化的结果。\n3.  您可以修改代码参数，尝试不同的超参数设置，以深入理解算法原理。\n\n> **注意**：课程幻灯片位于 `Slides` 目录，练习题位于 `Exercises` 目录。部分补充资源和视频讲解可访问 [SharifML 官网](http:\u002F\u002Fwww.SharifML.ir)（主要为波斯语）。使用本仓库内容时，请遵循 [CC BY 4.0](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F) 协议并注明出处。","一位刚进入人工智能领域的研究生，正试图从零开始系统掌握机器学习核心算法，却因缺乏结构化资源而举步维艰。\n\n### 没有 Introduction_to_Machine_Learning 时\n- 学习资料零散分布在各类博客和视频中，缺乏统一的理论框架，导致知识体系支离破碎。\n- 难以找到与理论严格对应的代码实现，手动复现经典算法（如 SVM 或神经网络）时极易出错且效率低下。\n- 缺少配套的课后习题来验证理解程度，无法判断自己是否真正掌握了梯度下降等关键概念。\n- 遇到疑难问题时，没有官方幻灯片作为参考依据，只能盲目搜索，浪费大量时间在低质量内容上。\n\n### 使用 Introduction_to_Machine_Learning 后\n- 直接获取沙里夫理工大学整理的完整课程幻灯片，快速建立起从线性回归到深度学习的清晰知识脉络。\n- 利用仓库中提供的 Jupyter Notebooks 对照学习，一边阅读理论一边运行标准代码，迅速理解算法底层逻辑。\n- 通过配套的 Exercises 进行实战演练，即时反馈解题结果，扎实巩固了模型评估与优化技巧。\n- 遇到困惑时查阅官方课件和历史学期资料，精准定位知识点，大幅缩短了从理论到实践的学习周期。\n\nIntroduction_to_Machine_Learning 将原本碎片化的自学过程转化为一条高效、系统且可验证的专业成长路径。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSharifiZarchi_Introduction_to_Machine_Learning_f4fd6e6e.png","SharifiZarchi","علی شریفی زارچی","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSharifiZarchi_25d944fe.png","عضو هیات‌علمی دانشکده‌ی مهندسی کامپیوتر دانشگاه صنعتی آریامهر\r\n\r\nFaculty member, Computer Eng. Dept., Aryamehr University of Technology.","Aryamehr University of Technology","Tehran, Iran",null,"https:\u002F\u002Fgithub.com\u002FSharifiZarchi",[82,86,90,94,98],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",64,{"name":87,"color":88,"percentage":89},"TeX","#3D6117",20.5,{"name":91,"color":92,"percentage":93},"HTML","#e34c26",15.3,{"name":95,"color":96,"percentage":97},"Python","#3572A5",0.2,{"name":99,"color":100,"percentage":101},"Shell","#89e051",0,2060,388,"2026-04-19T19:57:06","","未说明",{"notes":108,"python":106,"dependencies":109},"README 中未提供具体的运行环境需求、依赖库列表或安装说明。该项目主要包含课程幻灯片、Jupyter Notebook 和练习题，建议查看 Jupyter Notebook 文件或 Previous_Semesters 目录以获取具体的代码依赖信息。",[],[15,14,13],[112,113,114,115],"ai","artificial-intelligence","course","machine-learning","2026-03-27T02:49:30.150509","2026-04-20T19:21:28.086806",[119,124,129],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},45385,"Adam 优化器公式中，二阶矩（Second Moment）的更新项写错了怎么办？","这是一个已确认的笔误。在 PDF 第 20 页关于二阶矩的公式中，原错误地将梯度项写入了更新位置，正确的做法应将其改为 `m_{t+1}`。该修正已与原始 Adam 论文（arxiv.org\u002Fabs\u002F1412.6980）保持一致。请查阅最新更新的幻灯片以获取正确公式。","https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Fissues\u002F58",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},45386,"训练循环中 optimizer.zero_grad() 和 optimizer.step() 的正确调用顺序是什么？","正确的顺序是先调用 `optimizer.zero_grad()` 清零梯度，再执行反向传播和 `optimizer.step()`。如果在 `step()` 之后才调用 `zero_grad()`，会导致当前批次的梯度残留在内存中，并与后续批次的梯度累积，从而引发训练错误。请确保在每次迭代开始时立即清零梯度。","https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Fissues\u002F55",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},45387,"第一章“微积分与优化”部分是否存在拼写或内容错误？","是的，社区用户已确认该章节存在排版或内容上的小错误。维护者已收到反馈并表示感谢，建议读者在阅读时留意相关修正或参考最新版本的教材内容。","https:\u002F\u002Fgithub.com\u002FSharifiZarchi\u002FIntroduction_to_Machine_Learning\u002Fissues\u002F37",[]]