[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Sroy20--machine-learning-interview-questions":3,"tool-Sroy20--machine-learning-interview-questions":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。",84991,2,"2026-04-05T10:45:23",[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},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":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"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。",74939,"2026-04-05T23:16:38",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"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。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65628,"2026-04-05T10:10:46",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"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":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":79,"stars":82,"forks":83,"last_commit_at":84,"license":79,"difficulty_score":46,"env_os":85,"env_gpu":85,"env_ram":85,"env_deps":86,"category_tags":89,"github_topics":79,"view_count":29,"oss_zip_url":79,"oss_zip_packed_at":79,"status":22,"created_at":90,"updated_at":91,"faqs":92,"releases":93},574,"Sroy20\u002Fmachine-learning-interview-questions","machine-learning-interview-questions","This repository is to prepare for Machine Learning interviews. ","machine-learning-interview-questions 是一个专为机器学习岗位面试准备的开源资源库，它整合了各类高频面试题，帮助求职者系统化地梳理知识体系。针对许多人面试前缺乏针对性复习资料、知识点零散的问题，machine-learning-interview-questions 提供了清晰的分类指引。内容主要涵盖三大板块：深度学习相关问题、通用机器学习理论以及机器学习所需的数学基础，每个类别都有独立的文档详细列出问题清单，方便用户按需查阅。无论是计算机专业的学生、希望转型的开发者，还是从事算法研究的研究人员，都可以利用这份资料进行自我评估和强化训练。作为开源项目，它不仅免费开放，还鼓励社区贡献更新。通过结构化的问答列表，使用者可以快速定位薄弱环节，提升面试通过率。对于正在寻找机器学习相关职位的朋友来说，machine-learning-interview-questions 是一个实用且高效的备考助手。","In different files, I list various questions that might be asked in a ML interview. Here is the table of contents:\n\n1. [Deep Learning Questions](https:\u002F\u002Fgithub.com\u002FSroy20\u002Fmachine-learning-interview-questions\u002Fblob\u002Fmaster\u002Flist_of_questions_deep_learning.md)\n1. [General Machine Learning Questions](https:\u002F\u002Fgithub.com\u002FSroy20\u002Fmachine-learning-interview-questions\u002Fblob\u002Fmaster\u002Flist_of_questions_machine_learning.md)\n1. [Mathematics for Machine Learning Questions](https:\u002F\u002Fgithub.com\u002FSroy20\u002Fmachine-learning-interview-questions\u002Fblob\u002Fmaster\u002Flist_of_questions_mathematics.md)\n","在不同文件中，我列出了机器学习（ML）面试中可能遇到的各种问题。以下是目录：\n\n1. [深度学习问题](https:\u002F\u002Fgithub.com\u002FSroy20\u002Fmachine-learning-interview-questions\u002Fblob\u002Fmaster\u002Flist_of_questions_deep_learning.md)\n1. [通用机器学习问题](https:\u002F\u002Fgithub.com\u002FSroy20\u002Fmachine-learning-interview-questions\u002Fblob\u002Fmaster\u002Flist_of_questions_machine_learning.md)\n1. [机器学习数学问题](https:\u002F\u002Fgithub.com\u002FSroy20\u002Fmachine-learning-interview-questions\u002Fblob\u002Fmaster\u002Flist_of_questions_mathematics.md)","# machine-learning-interview-questions 快速上手指南\n\n## 环境准备\n- **操作系统**: Windows、macOS 或 Linux\n- **前置依赖**: 已安装 Git\n- **阅读工具**: 任意文本编辑器（如 VS Code）或支持 Markdown 的浏览器\n\n## 安装步骤\n在终端中执行以下命令克隆仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FSroy20\u002Fmachine-learning-interview-questions.git\n```\n\n> 提示：如果遇到网络连接超时，请检查网络环境或尝试配置国内 Git 代理。\n\n## 基本使用\n克隆完成后，进入项目目录并打开对应的 Markdown 文件进行查阅：\n\n```bash\ncd machine-learning-interview-questions\n```\n\n根据面试需求选择以下任一文档：\n\n1. **深度学习问题**\n   - 文件路径：`list_of_questions_deep_learning.md`\n   - 在线链接：[Deep Learning Questions](https:\u002F\u002Fgithub.com\u002FSroy20\u002Fmachine-learning-interview-questions\u002Fblob\u002Fmaster\u002Flist_of_questions_deep_learning.md)\n\n2. **通用机器学习问题**\n   - 文件路径：`list_of_questions_machine_learning.md`\n   - 在线链接：[General Machine Learning Questions](https:\u002F\u002Fgithub.com\u002FSroy20\u002Fmachine-learning-interview-questions\u002Fblob\u002Fmaster\u002Flist_of_questions_machine_learning.md)\n\n3. **机器学习数学基础问题**\n   - 文件路径：`list_of_questions_mathematics.md`\n   - 在线链接：[Mathematics for Machine Learning Questions](https:\u002F\u002Fgithub.com\u002FSroy20\u002Fmachine-learning-interview-questions\u002Fblob\u002Fmaster\u002Flist_of_questions_mathematics.md)\n\n直接在本地编辑器中打开上述文件即可开始复习。","初级算法工程师小王正在备战一家互联网大厂的机器学习岗位面试，距离正式考核仅剩两周时间，急需系统化复习方案。\n\n### 没有 machine-learning-interview-questions 时\n- 面试资料分散在各技术博客和书籍中，整合梳理耗时耗力且信息碎片化严重。\n- 无法判断自身知识体系是否完整，担心遗漏大厂高频考察的核心概念。\n- 数学基础如概率论与线性代数复习方向模糊，容易陷入细枝末节而忽略应用。\n- 缺乏系统性的自测清单，导致复习进度混乱且面对未知领域容易产生焦虑。\n\n### 使用 machine-learning-interview-questions 后\n- 直接利用其分类清晰的题库，涵盖深度学习与通用机器学习等关键领域。\n- 对照列表快速定位知识盲区，针对性强化薄弱环节而非盲目刷偏题怪题。\n- 数学公式推导部分有专门章节，复习效率大幅提升且重点更加突出明确。\n- 每完成一个模块就进行标记，清晰掌握整体准备进度并逐步建立应试信心。\n\n通过结构化整理核心考点，machine-learning-interview-questions 帮助求职者高效构建知识体系并从容应对面试挑战。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSroy20_machine-learning-interview-questions_3eed34f3.png","Sroy20","Sroy","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSroy20_0c2106fb.png",null,"http:\u002F\u002Fsubhrajitroy.com\u002F","https:\u002F\u002Fgithub.com\u002FSroy20",1629,399,"2026-03-31T15:43:51","未说明",{"notes":87,"python":85,"dependencies":88},"该仓库仅包含面试问题的 Markdown 文本文件，无需安装任何软件、Python 环境或硬件加速即可阅读。",[],[18],"2026-03-27T02:49:30.150509","2026-04-06T11:31:15.757369",[],[]]