[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ageron--handson-mlp":3,"tool-ageron--handson-mlp":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",150720,2,"2026-04-11T11:33:10",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"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":77,"owner_twitter":77,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":32,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":102,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":136},6600,"ageron\u002Fhandson-mlp","handson-mlp","A series of Jupyter notebooks that walk you through the fundamentals of Machine Learning and Deep Learning in Python using Scikit-Learn, PyTorch, and Hugging Face libraries.","handson-mlp 是一套基于 Jupyter Notebook 的交互式学习资源，旨在通过实战代码引导用户掌握 Python 机器学习与深度学习的核心原理。它紧密配合 O'Reilly 畅销书《Hands-On Machine Learning with Scikit-Learn and PyTorch》的第一版内容，提供了书中所有示例代码及习题解答，帮助学习者从理论走向实践。\n\n该项目主要解决了初学者在面对复杂算法时“只懂概念不会落地”的痛点。通过循序渐进的笔记演示，用户可以直接运行并修改代码，直观理解数据预处理、模型构建到评估的全流程。此外，它支持直接在 Google Colab 云端环境中运行，无需本地配置繁琐的开发环境即可立即开始练习，极大地降低了入门门槛。\n\nhandson-mlp 特别适合希望系统提升技能的开发者、数据科学学生以及人工智能研究人员。其独特的技术亮点在于同时涵盖了经典的 Scikit-Learn 库与现代主流的 PyTorch 及 Hugging Face 框架，确保所学技术既扎实又前沿。无论你是想夯实基础，还是希望快速上手最新的深度学习工具链，这套资源","handson-mlp 是一套基于 Jupyter Notebook 的交互式学习资源，旨在通过实战代码引导用户掌握 Python 机器学习与深度学习的核心原理。它紧密配合 O'Reilly 畅销书《Hands-On Machine Learning with Scikit-Learn and PyTorch》的第一版内容，提供了书中所有示例代码及习题解答，帮助学习者从理论走向实践。\n\n该项目主要解决了初学者在面对复杂算法时“只懂概念不会落地”的痛点。通过循序渐进的笔记演示，用户可以直接运行并修改代码，直观理解数据预处理、模型构建到评估的全流程。此外，它支持直接在 Google Colab 云端环境中运行，无需本地配置繁琐的开发环境即可立即开始练习，极大地降低了入门门槛。\n\nhandson-mlp 特别适合希望系统提升技能的开发者、数据科学学生以及人工智能研究人员。其独特的技术亮点在于同时涵盖了经典的 Scikit-Learn 库与现代主流的 PyTorch 及 Hugging Face 框架，确保所学技术既扎实又前沿。无论你是想夯实基础，还是希望快速上手最新的深度学习工具链，这套资源都能提供清晰、实用的指导。","# Hands-On Machine Learning with Scikit-Learn and PyTorch\n\nThe goal of this project is to teach you the fundamentals of Machine Learning in Python. It contains the example code and solutions to the exercises in the first edition of my new O'Reilly book [Hands-on Machine Learning with Scikit-Learn and PyTorch (1st edition)](https:\u002F\u002Fhoml.info\u002F):\n\n\u003Ca href=\"https:\u002F\u002Fhoml.info\u002Fer\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_handson-mlp_readme_1dbac2f2a806.png\" title=\"book\" width=\"150\" border=\"0\" \u002F>\u003C\u002Fa>\n\n**Note**: If you are looking for the notebooks for the TensorFlow\u002FKeras version of this book, check out [ageron\u002Fhandson-ml3](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3).\n\n## Quick Start\n\n### Want to play with these notebooks online without having to install anything?\n\n- \u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Fhandson-mlp\u002Fblob\u002Fmain\u002F\" target=\"_parent\">\u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" alt=\"Open In Colab\"\u002F>\u003C\u002Fa> (recommended)\n\n⚠ _Colab provides a temporary environment: anything you do will be deleted after a while, so make sure you download any data you care about._\n\n### Just want to quickly look at some notebooks, without executing any code?\n\n- \u003Ca href=\"https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Fageron\u002Fhandson-mlp\u002Fblob\u002Fmain\u002Findex.ipynb\">\u003Cimg src=\"https:\u002F\u002Fraw.githubusercontent.com\u002Fjupyter\u002Fdesign\u002Fmaster\u002Flogos\u002FBadges\u002Fnbviewer_badge.svg\" alt=\"Render nbviewer\" \u002F>\u003C\u002Fa>\n\n- [github.com's notebook viewer](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp\u002Fblob\u002Fmain\u002Findex.ipynb) also works but it's not ideal: it's slower, the math equations are not always displayed correctly, and large notebooks often fail to open.\n\n### Want to install this project on your own machine?\n\nCheck out the [installation instructions](INSTALL.md).\n\n\n# FAQ\n\n**Which Python version should I use?**\n\nI recommend Python 3.12. If you follow the installation instructions above, that's the version you will get. Versions 3.10 and 3.11 should work as well, but some libraries are not yet available for 3.13.\n\n**I'm getting an error when I call `load_housing_data()`**\n\nIf you're getting an HTTP error, make sure you're running the exact same code as in the notebook (copy\u002Fpaste it if needed). If the problem persists, please check your network configuration. If it's an SSL error, see the next question.\n\n**I'm getting an SSL error on MacOSX**\n\nYou probably need to install the SSL certificates (see this [StackOverflow question](https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F27835619\u002Furllib-and-ssl-certificate-verify-failed-error)). If you downloaded Python from the official website, then run `\u002FApplications\u002FPython\\ 3.12\u002FInstall\\ Certificates.command` in a terminal (change `3.12` to whatever version you installed). If you installed Python using MacPorts, run `sudo port install curl-ca-bundle` in a terminal.\n\n**I've installed this project locally. How do I update it to the latest version?**\n\nSee [INSTALL.md](INSTALL.md)\n\n**How do I update my Python libraries to the latest versions, when using Anaconda?**\n\nSee [INSTALL.md](INSTALL.md)\n\n## Contributors\n\nI would like to thank everyone [who contributed to this project](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp\u002Fgraphs\u002Fcontributors), either by providing useful feedback, filing issues or submitting Pull Requests.\n","# 使用 Scikit-Learn 和 PyTorch 的动手机器学习\n\n本项目的目标是教你 Python 中机器学习的基础知识。它包含了我新出版的 O'Reilly 图书《使用 Scikit-Learn 和 PyTorch 的动手机器学习（第 1 版）》第一版中的示例代码及习题解答：\n\n\u003Ca href=\"https:\u002F\u002Fhoml.info\u002Fer\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_handson-mlp_readme_1dbac2f2a806.png\" title=\"book\" width=\"150\" border=\"0\" \u002F>\u003C\u002Fa>\n\n**注**：如果你正在寻找本书 TensorFlow\u002FKeras 版本的笔记本，请查看 [ageron\u002Fhandson-ml3](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3)。\n\n## 快速入门\n\n### 想在线玩一玩这些笔记本，而无需安装任何东西吗？\n\n- \u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Fhandson-mlp\u002Fblob\u002Fmain\u002F\" target=\"_parent\">\u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" alt=\"在 Colab 中打开\"\u002F>\u003C\u002Fa>（推荐）\n\n⚠ _Colab 提供的是临时环境：你所做的任何操作过一段时间后都会被删除，所以请务必下载你关心的数据。_\n\n### 只想快速浏览一些笔记本，而不执行任何代码吗？\n\n- \u003Ca href=\"https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Fageron\u002Fhandson-mlp\u002Fblob\u002Fmain\u002Findex.ipynb\">\u003Cimg src=\"https:\u002F\u002Fraw.githubusercontent.com\u002Fjupyter\u002Fdesign\u002Fmaster\u002Flogos\u002FBadges\u002Fnbviewer_badge.svg\" alt=\"在 nbviewer 上渲染\"\u002F>\u003C\u002Fa>\n\n- GitHub 自带的笔记本查看器 [github.com's notebook viewer](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp\u002Fblob\u002Fmain\u002Findex.ipynb) 也可以使用，但效果并不理想：速度较慢，数学公式有时无法正确显示，而且大型笔记本经常无法打开。\n\n### 想在自己的机器上安装这个项目吗？\n\n请参阅[安装说明](INSTALL.md)。\n\n\n# 常见问题解答\n\n**我应该使用哪个 Python 版本？**\n\n我推荐使用 Python 3.12。如果你按照上述安装说明操作，就会得到这个版本。Python 3.10 和 3.11 也应该可以正常工作，不过目前还有一些库尚未支持 Python 3.13。\n\n**当我调用 `load_housing_data()` 时出现错误**\n\n如果出现 HTTP 错误，请确保你运行的代码与笔记本中的完全一致（必要时可以复制粘贴）。如果问题仍然存在，请检查你的网络配置。如果是 SSL 错误，请参阅下一个问题。\n\n**我在 macOS 上遇到 SSL 错误**\n\n你可能需要安装 SSL 证书（请参阅此 [StackOverflow 问题](https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F27835619\u002Furllib-and-ssl-certificate-verify-failed-error)）。如果你是从官方网站下载的 Python，请在终端中运行 `\u002FApplications\u002FPython\\ 3.12\u002FInstall\\ Certificates.command`（将 `3.12` 替换为你安装的版本）。如果你使用 MacPorts 安装了 Python，则在终端中运行 `sudo port install curl-ca-bundle`。\n\n**我已经在本地安装了这个项目。如何将其更新到最新版本？**\n\n请参阅 [INSTALL.md](INSTALL.md)。\n\n**使用 Anaconda 时，如何将我的 Python 库更新到最新版本？**\n\n请参阅 [INSTALL.md](INSTALL.md)。\n\n## 贡献者\n\n我要感谢所有[为该项目做出贡献的人](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp\u002Fgraphs\u002Fcontributors)，无论是提供有用的反馈、提交问题还是 Pull Request。","# hands-on-mlp 快速上手指南\n\n本项目是 O'Reilly 书籍《Hands-on Machine Learning with Scikit-Learn and PyTorch》的配套代码库，旨在通过 Scikit-Learn 和 PyTorch 教授 Python 机器学习基础。\n\n## 环境准备\n\n*   **操作系统**：Windows、macOS 或 Linux\n*   **Python 版本**：推荐 **Python 3.12**（3.10 和 3.11 也可用，暂不支持 3.13）\n*   **核心依赖**：Scikit-Learn, PyTorch, Jupyter Notebook\n*   **网络要求**：部分示例需下载数据集，请确保网络通畅（国内用户建议配置镜像源）\n\n## 安装步骤\n\n### 方案一：在线免安装（推荐）\n无需本地配置环境，直接在浏览器中运行所有示例代码。\n*   访问 **Google Colab** 项目主页：\n    [Open in Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Fhandson-mlp\u002Fblob\u002Fmain\u002F)\n    > ⚠️ 注意：Colab 为临时环境，重启后数据会丢失，请及时下载重要结果。\n\n### 方案二：本地安装\n若需在本地运行，请按以下步骤操作：\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp.git\n    cd handson-mlp\n    ```\n\n2.  **创建虚拟环境并安装依赖**\n    建议使用 `venv` 或 `conda`。以下以 `pip` 为例（国内用户可添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 加速下载）：\n\n    ```bash\n    # 创建虚拟环境\n    python -m venv ml-env\n\n    # 激活环境 (Windows)\n    ml-env\\Scripts\\activate\n    # 激活环境 (macOS\u002FLinux)\n    source ml-env\u002Fbin\u002Factivate\n\n    # 安装依赖\n    pip install -r requirements.txt\n    ```\n    *(注：若根目录无 requirements.txt，请参考项目内的 `INSTALL.md` 获取具体包列表)*\n\n3.  **启动 Jupyter Notebook**\n    ```bash\n    jupyter notebook\n    ```\n    浏览器将自动打开，导航至 `index.ipynb` 开始学习。\n\n## 基本使用\n\n项目由一系列 Jupyter Notebook 组成，按章节顺序排列。\n\n1.  **浏览目录**：在 Jupyter 界面中打开 `index.ipynb`，这里列出了所有章节的笔记本链接。\n2.  **运行示例**：点击任意章节（如 `01_the_machine_learning_landscape.ipynb`），依次选中代码单元格并按 `Shift + Enter` 运行。\n3.  **加载数据**：部分笔记包含自定义函数（如 `load_housing_data()`），直接运行对应单元格即可自动下载并加载数据集。\n    ```python\n    # 示例：在对应的 Notebook 单元格中运行\n    housing = load_housing_data()\n    housing.head()\n    ```\n\n开始你的机器学习之旅吧！","某初创公司的数据分析师小李需要在一周内掌握从传统机器学习到深度学习的完整流程，以便为电商客户构建推荐系统原型。\n\n### 没有 handson-mlp 时\n- 学习资源碎片化严重，需要在 Scikit-Learn、PyTorch 和 Hugging Face 的官方文档与零散博客间反复切换，难以形成知识体系。\n- 环境配置耗时极长，经常因 Python 版本不兼容或 SSL 证书问题卡在第一步，导致整整两天无法运行任何代码。\n- 缺乏系统的实战练习，只懂理论公式却无法将其转化为可执行的 Python 代码，面对真实数据时无从下手。\n- 调试困难，遇到报错只能盲目搜索，无法区分是代码逻辑错误还是库的版本冲突，学习效率极低。\n\n### 使用 handson-mlp 后\n- 获得了一站式的结构化教程，通过统一的 Jupyter Notebook 串联起三大核心库，清晰掌握了从数据清洗到模型部署的全链路。\n- 利用 Google Colab 一键启动功能，无需本地安装即可立即开始编码，彻底规避了环境配置陷阱，当天就跑通了第一个模型。\n- 跟随书中配套的习题与解决方案进行实操，亲手复现了住房价格预测等经典案例，迅速将理论转化为工程能力。\n- 遇到常见报错（如 SSL 错误或数据加载失败）时，直接查阅项目 FAQ 即可快速解决，将排查时间从数小时缩短至几分钟。\n\nhandson-mlp 将原本需要数月摸索的机器学习入门路径，压缩为一条清晰、可执行且零门槛的实战快车道。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_handson-mlp_a42360df.png","ageron","Aurélien Geron","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fageron_57c7255d.jpg","Author of the book Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Former PM of YouTube video classification and founder & CTO of Wifirst.",null,"Auckland","https:\u002F\u002Ftwitter.com\u002Faureliengeron","https:\u002F\u002Fgithub.com\u002Fageron",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",100,{"name":87,"color":88,"percentage":89},"Dockerfile","#384d54",0,1304,439,"2026-04-11T05:55:02","Apache-2.0","未说明, macOS","未说明",{"notes":97,"python":98,"dependencies":99},"macOS 用户若遇到 SSL 错误，需手动安装证书（运行 Install Certificates.command 或通过 MacPorts 安装 curl-ca-bundle）。推荐使用 Python 3.12，暂不支持 3.13。可通过 Google Colab 在线运行无需本地安装。","3.12 (推荐), 3.10, 3.11",[100,101],"scikit-learn","pytorch",[14],"2026-03-27T02:49:30.150509","2026-04-11T21:58:57.924516",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},29810,"Docker 镜像拉取失败，提示仓库不存在或访问被拒绝怎么办？","这是因为文档中的镜像名称存在拼写错误。正确的做法是移除名称末尾多余的 'p'，并根据版本选择正确的镜像。目前公开的镜像有 handson-ml, handson-ml2 和 handson-ml3。请运行以下命令拉取最新版本的镜像：\ndocker pull ageron\u002Fhandson-ml3","https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp\u002Fissues\u002F2",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},29811,"运行 Notebook 时出现 'ImportError: cannot import name load_dataset from datasets' 错误如何解决？","这通常是因为安装的 `datasets` 库版本不正确。请检查并确保已安装该库，且版本号满足：≥4.1.1 且 \u003C5.0.0。您可以使用以下命令检查或安装指定版本的库：\npip install \"datasets>=4.1.1,\u003C5.0.0\"","https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp\u002Fissues\u002F26",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},29812,"书中关于 64 位有符号整数的取值范围描述是否正确？","原书描述有误，已确认为印刷错误。64 位有符号整数的正确取值范围应为 –2^63 到 2^63 – 1（约 ±9.2e18），而不是文中误写的 –2^32 到 2^32 – 1。无符号整数范围 0 到 2^64 – 1 是正确的。该错误已在后续重印版中修正。","https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp\u002Fissues\u002F13",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},29813,"第 16 章 Vision Transformer 代码运行报错，提示 PatchEmbedding 参数顺序问题怎么办？","这是一个代码定义与调用参数顺序不匹配的 Bug。在 `PatchEmbedding` 类定义中，`nn.Conv2d` 的输入输出通道参数顺序写反了；同时在实例化该类时，传入的参数顺序也反了。虽然某些情况下可能因数值巧合未报错，但逻辑是错误的。请参考仓库中最新的修复代码，确保 `nn.Conv2d` 接收 `(in_channels, embed_dim)` 且实例化时按 `PatchEmbedding(in_channels, embed_dim, patch_size)` 顺序传参。","https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp\u002Fissues\u002F14",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},29814,"第 15 章 Notebook 提示找不到数据集或包（如 ageron\u002Ftatoeba_mt_train）怎么办？","这通常是因为引用的数据集路径已过时或环境配置不完整。首先确保按照 Issue #26 的解决方案，安装了正确版本的 `datasets` 库（≥4.1.1 且 \u003C5.0.0）。如果问题依旧，可能是书中的数据集引用路径需要更新，建议查看该 Notebook 的最新版本或关注维护者在 Issue 中的后续修复通知。","https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp\u002Fissues\u002F25",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},29815,"书中第 4 章 Lasso 回归和 Elastic Net 的公式显示不完整或有误怎么办？","如果您看到的公式中绝对值符号缺失（例如显示为 θ_i| 而不是 |θ_i|），这可能是您阅读的版本（如 Kindle 版或早期电子版）存在的排版错误。作者确认纸质版中公式是正确的：J(Θ) = MSE(Θ) + 2α Σ|θ_i|。建议访问官方勘误页面 (https:\u002F\u002Fhoml.info\u002Ferrata-p) 获取最新修正信息，或确认您的书籍是否为最新版本。","https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-mlp\u002Fissues\u002F21",[]]