[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-aaronwangy--Data-Science-Cheatsheet":3,"tool-aaronwangy--Data-Science-Cheatsheet":61},[4,18,26,36,44,53],{"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":10,"last_commit_at":24,"category_tags":25,"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":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"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",145895,2,"2026-04-08T11:32:59",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":76,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":92,"github_topics":94,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":106},5632,"aaronwangy\u002FData-Science-Cheatsheet","Data-Science-Cheatsheet","A helpful 5-page machine learning cheatsheet to assist with exam reviews, interview prep, and anything in-between.","Data-Science-Cheatsheet 是一份专为数据科学学习者打造的五页精华速查表，旨在帮助用户高效复习机器学习核心概念。它浓缩了相当于一个学期的入门级机器学习课程内容，灵感源自麻省理工学院（MIT）的经典课程，并在此基础上进行了全面升级。\n\n这份资料主要解决了学习者在备考、面试准备或日常工作中需要快速回顾复杂算法公式与原理的痛点。它将线性回归、决策树、支持向量机（SVM）、聚类、神经网络、自然语言处理以及强化学习等十多个关键主题，以高度可视化的形式呈现，让用户无需翻阅厚重教材即可掌握要点。值得一提的是，作者特意聚焦于长期稳定的算法模型与理论基础，而非易变的编程语言语法，确保内容的持久参考价值。\n\nData-Science-Cheatsheet 非常适合高校学生、正在准备技术面试的求职者，以及希望系统梳理知识体系的数据分析师和算法工程师使用。虽然使用者最好具备基础的统计学和线性代数知识，但其清晰的结构对初学者同样友好。作为一份开源资源，它不仅内容详实，还计划持续更新如生成对抗网络（GANs）等前沿话题，是数据科学领域不可多得的案头必备指南。","# Data Science Cheatsheet 2.0\n\nA helpful 5-page data science cheatsheet to assist with exam reviews, interview prep, and anything in-between. It covers over a semester of introductory machine learning, and is based on MIT's Machine Learning courses 6.867 and 15.072. The reader should have at least a basic understanding of statistics and linear algebra, though beginners may find this resource helpful as well. \n\nInspired by Maverick's *Data Science Cheatsheet* (hence the 2.0 in the name), located [here](https:\u002F\u002Fgithub.com\u002Fml874\u002FData-Science-Cheatsheet).\n\nTopics covered:\n- Linear and Logistic Regression\n- Decision Trees and Random Forest\n- SVM\n- K-Nearest Neighbors\n- Clustering\n- Boosting\n- Dimension Reduction (PCA, LDA, Factor Analysis)\n- Natural Language Processing\n- Neural Networks\n- Recommender Systems\n- Reinforcement Learning\n- Anomaly Detection\n- Time Series\n- A\u002FB Testing\n\nThis cheatsheet will be occasionally updated with new\u002Fimproved info, so consider a follow or star to stay up to date.\n\nFuture additions (ideas welcome):\n- ~~Time Series~~ Added!\n- ~~Statistics and Probability~~ Added!\n- Data Imputation\n- Generative Adversarial Networks\n- Graph Neural Networks\n\n## Links\n* [Data Science Cheatsheet 2.0 PDF](https:\u002F\u002Fgithub.com\u002Faaronwangy\u002FData-Science-Cheatsheet\u002Fblob\u002Fmain\u002FData_Science_Cheatsheet.pdf)\n\n## Screenshots\n\nHere are screenshots of a couple pages - the link to the full cheatsheet is above!\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faaronwangy_Data-Science-Cheatsheet_readme_37138541e2f9.png) \n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faaronwangy_Data-Science-Cheatsheet_readme_5423f103fde7.png)\n\n### Why is Python\u002FSQL not covered in this cheatsheet?\nI planned for this resource to cover mainly algorithms, models, and concepts, as these rarely change and are common throughout industries. Technical languages and data structures often vary by job function, and refreshing these skills may make more sense on keyboard than on paper.\n\n\n## License\n\nFeel free to share this resource in classes, review sessions, or to anyone who might find it helpful :)\n\nThis work is licensed under the \u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License\u003C\u002Fa>\n\n\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">\u003Cimg alt=\"Creative Commons License\" style=\"border-width:0\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faaronwangy_Data-Science-Cheatsheet_readme_6809fa69949c.png\" \u002F>\u003C\u002Fa>\u003Cbr\u002F>\n\nImages are used for educational purposes, created by me, or borrowed from my colleagues [here](https:\u002F\u002Fstanford.edu\u002F~shervine\u002Fteaching\u002Fcs-229\u002F)\n\n## Contact\nFeel free to suggest comments, updates, and potential improvements!\n\nAuthor - [Aaron Wang](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Faxw\u002F)\n\nIf you'd like to support this cheatsheet, you can buy me a coffee [here](https:\u002F\u002Fwww.paypal.me\u002Faaxw). I also do resume, application, and tech consulting - send me a message if interested.\n","# 数据科学速查表 2.0\n\n这是一份实用的5页数据科学速查表，可用于考试复习、面试准备以及其他相关场景。它涵盖了超过一个学期的机器学习入门内容，并基于麻省理工学院的机器学习课程6.867和15.072。读者应至少具备基本的统计学和线性代数知识，不过初学者同样可以从中受益。\n\n本速查表灵感来源于Maverick的《数据科学速查表》（因此命名为2.0），原链接为[这里](https:\u002F\u002Fgithub.com\u002Fml874\u002FData-Science-Cheatsheet)。\n\n涵盖的主题：\n- 线性回归与逻辑回归\n- 决策树与随机森林\n- 支持向量机 (SVM)\n- K近邻算法\n- 聚类分析\n- 提升方法\n- 降维技术（主成分分析PCA、线性判别分析LDA、因子分析）\n- 自然语言处理\n- 神经网络\n- 推荐系统\n- 强化学习\n- 异常检测\n- 时间序列分析\n- A\u002FB测试\n\n本速查表会不定期更新新的或改进的内容，建议关注或点赞以获取最新信息。\n\n未来计划添加的内容（欢迎提出建议）：\n- ~~时间序列~~ 已添加！\n- ~~统计与概率~~ 已添加！\n- 数据插补\n- 生成对抗网络\n- 图神经网络\n\n## 链接\n* [数据科学速查表 2.0 PDF](https:\u002F\u002Fgithub.com\u002Faaronwangy\u002FData-Science-Cheatsheet\u002Fblob\u002Fmain\u002FData_Science_Cheatsheet.pdf)\n\n## 截图\n\n以下是几页的截图——完整速查表的链接在上方！\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faaronwangy_Data-Science-Cheatsheet_readme_37138541e2f9.png) \n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faaronwangy_Data-Science-Cheatsheet_readme_5423f103fde7.png)\n\n### 为什么本速查表没有涵盖Python\u002FSQL？\n我计划让这份资源主要聚焦于算法、模型和概念，因为这些内容相对稳定，在各行业中通用性较强。而具体的编程语言和数据结构则往往因岗位需求而异，因此在实际工作中通过动手练习来掌握这些技能可能比纸上学习更有效。\n\n## 许可协议\n\n欢迎在课堂、复习课或其他场合分享此资源，赠予任何可能需要帮助的人 :)\n\n本作品采用\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">知识共享署名-非商业性使用-相同方式共享4.0国际许可协议\u003C\u002Fa>授权。\n\n\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">\u003Cimg alt=\"知识共享许可\" style=\"border-width:0\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faaronwangy_Data-Science-Cheatsheet_readme_6809fa69949c.png\" \u002F>\u003C\u002Fa>\u003Cbr\u002F>\n\n图片用于教育目的，由本人创作，或借自我的同事[此处](https:\u002F\u002Fstanford.edu\u002F~shervine\u002Fteaching\u002Fcs-229\u002F)。\n\n## 联系方式\n欢迎提出意见、更新建议及潜在改进方案！\n\n作者：Aaron Wang [LinkedIn](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Faxw\u002F)\n\n如果您想支持这份速查表，可以通过[这里](https:\u002F\u002Fwww.paypal.me\u002Faaxw)请我喝杯咖啡。此外，我也提供简历、申请材料和技术咨询服务，感兴趣的话请随时联系我。","# Data-Science-Cheatsheet 快速上手指南\n\nData-Science-Cheatsheet 并非传统的代码库或软件工具，而是一份涵盖机器学习核心算法与概念的五页速查表（PDF 格式）。它基于 MIT 机器学习课程（6.867 和 15.072）整理而成，适用于考试复习、面试准备及日常查阅。由于是静态文档资源，无需安装环境或依赖包。\n\n## 环境准备\n\n*   **系统要求**：任意操作系统（Windows, macOS, Linux），只要能运行 PDF 阅读器即可。\n*   **前置依赖**：\n    *   一款 PDF 阅读软件（如 Adobe Acrobat, Chrome, Edge, 或 WPS Office）。\n    *   基础统计学与线性代数知识（有助于更好地理解内容，但非强制）。\n    *   Git（可选，仅用于克隆仓库获取最新源码或图片）。\n\n## 获取方式\n\n由于该工具为文档资源，推荐使用以下两种方式获取：\n\n### 方式一：直接下载 PDF（推荐）\n直接访问官方仓库下载编译好的高清 PDF 文件：\n```bash\n# 使用 wget 下载 (Linux\u002FMac)\nwget https:\u002F\u002Fgithub.com\u002Faaronwangy\u002FData-Science-Cheatsheet\u002Fraw\u002Fmain\u002FData_Science_Cheatsheet.pdf\n\n# 或使用 curl 下载\ncurl -L -O https:\u002F\u002Fgithub.com\u002Faaronwangy\u002FData-Science-Cheatsheet\u002Fraw\u002Fmain\u002FData_Science_Cheatsheet.pdf\n```\n*注：国内用户若下载缓慢，可尝试在浏览器中直接打开上述链接并保存，或使用 GitHub 加速代理服务。*\n\n### 方式二：克隆仓库\n如果你需要查看原始图片、贡献内容或本地浏览：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Faaronwangy\u002FData-Science-Cheatsheet.git\ncd Data-Science-Cheatsheet\n```\n\n## 基本使用\n\n本工具的核心用法是**阅读与检索**。打开下载的 `Data_Science_Cheatsheet.pdf` 文件即可开始使用。\n\n### 使用示例\n\n1.  **面试准备**：\n    打开 PDF，跳转至第 2-3 页，快速回顾 **Support Vector Machines (SVM)** 的决策边界公式与核函数技巧，或查看 **Random Forest** 的偏差 - 方差权衡图解。\n\n2.  **算法对比**：\n    在目录或搜索栏（Ctrl+F \u002F Cmd+F）中输入关键词，例如 `Clustering`，即可对比 K-Means 与层次聚类的适用场景及优缺点。\n\n3.  **模型速查**：\n    在进行项目建模时，查阅 **Neural Networks** 章节，快速确认反向传播的梯度更新规则或常见激活函数（ReLU, Sigmoid）的特性。\n\n### 涵盖主题速览\n文档共 5 页，覆盖以下核心领域：\n*   回归与分类（线性\u002F逻辑回归，决策树，SVM，KNN）\n*   集成学习（Boosting, Random Forest）\n*   无监督学习（聚类，降维 PCA\u002FLDA）\n*   深度学习基础（神经网络，NLP 基础）\n*   高级主题（强化学习，异常检测，时间序列，A\u002FB 测试）\n\n> **提示**：该速查表专注于算法原理与数学概念，不包含 Python 或 SQL 的具体代码实现，旨在提供跨语言的通用理论支持。","一名数据科学专业的应届生正在紧张备战大厂算法岗面试，需要在短时间内系统复习机器学习核心概念与公式推导。\n\n### 没有 Data-Science-Cheatsheet 时\n- **知识碎片化严重**：面对线性回归、SVM、随机森林等十几种算法，笔记散落在不同课程 PPT 和博客中，难以形成完整的知识体系。\n- **公式记忆负担重**：在模拟面试中被问及 PCA 降维或梯度下降的数学推导时，因记不清具体矩阵运算细节而卡壳，导致回答不自信。\n- **复习效率低下**：为了确认一个关于 A\u002FB 测试或时间序列分析的知识点，往往需要花费半小时在搜索引擎和厚重的教材中反复查找验证。\n- **概念混淆频发**：容易将集成学习中的 Boosting 与 Bagging 机制搞混，或在区分监督学习与无监督学习的应用场景时出现逻辑漏洞。\n\n### 使用 Data-Science-Cheatsheet 后\n- **构建全景知识地图**：凭借这份基于 MIT 课程整理的 5 页精华，迅速串联起从基础回归到强化学习的完整算法脉络，脑海中形成清晰的知识树。\n- **核心公式随手可查**：遇到神经网络反向传播或 LDA 推导等难点时，直接对照图表中的关键公式进行快速回顾，确保面试回答精准且专业。\n- **极速定位关键信息**：利用其结构化的目录设计，能在几秒钟内锁定异常检测或推荐系统的具体考点，将原本半小时的查证时间压缩至分钟级。\n- **辨析易混概念**：通过对比图中对决策树与随机森林、聚类与分类的直观总结，彻底理清了各类算法的边界与适用条件，答题逻辑更加严密。\n\nData-Science-Cheatsheet 将半学期的机器学习精髓浓缩于方寸之间，让求职者在高压面试前能以最快速度完成高质量的知识复盘与状态激活。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faaronwangy_Data-Science-Cheatsheet_5423f103.png","aaronwangy","Aaron Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faaronwangy_6674d291.jpg","DS @ Meta, Analytics @ MIT",null,"https:\u002F\u002Fgithub.com\u002Faaronwangy",[79],{"name":80,"color":81,"percentage":82},"TeX","#3D6117",100,5385,757,"2026-04-07T20:12:01",1,"","未说明",{"notes":90,"python":88,"dependencies":91},"该工具并非可执行的软件代码库，而是一份包含机器学习算法、模型和概念总结的 PDF 速查表（共 5 页）。它基于 MIT 的课程内容编写，旨在辅助考试复习和面试准备。由于是静态文档资源，无需安装操作系统、GPU、内存、Python 环境或任何依赖库即可使用。用户可直接下载 PDF 文件查看，或使用浏览器预览图片。",[],[16,14,93],"其他",[95,96,97],"cheatsheet","data-science","machine-learning","2026-03-27T02:49:30.150509","2026-04-09T05:23:04.266942",[101],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},25565,"为什么这份速查表没有涵盖 Python 或 SQL 命令？","本资源主要涵盖算法、模型和概念，因为这些内容很少变化且在各行各业中通用。技术语言（如 Python\u002FSQL）和数据结构往往因职位职能而异，在键盘上刷新这些技能比在纸上更有意义。此外，网上已有大量现有资源涵盖 SQL。","https:\u002F\u002Fgithub.com\u002Faaronwangy\u002FData-Science-Cheatsheet\u002Fissues\u002F2",[]]