[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ajaymache--machine-learning-yearning":3,"tool-ajaymache--machine-learning-yearning":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":79,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":80,"languages":78,"stars":81,"forks":82,"last_commit_at":83,"license":84,"difficulty_score":85,"env_os":86,"env_gpu":86,"env_ram":86,"env_deps":87,"category_tags":90,"github_topics":91,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":99,"updated_at":100,"faqs":101,"releases":102},838,"ajaymache\u002Fmachine-learning-yearning","machine-learning-yearning","Machine Learning Yearning book by  🅰️𝓷𝓭𝓻𝓮𝔀 🆖","machine-learning-yearning 是吴恩达（Andrew Ng）经典著作《Machine Learning Yearning》的开源版本，专注于提供深度学习时代的 AI 工程师技术战略指南。它旨在解决实际项目中常见的策略迷茫问题，特别是在团队协作时如何统一机器学习方向，以及在大数据背景下如何科学地划分开发集与测试集。\n\n这份资源非常适合 AI 工程师、算法研究人员以及希望提升工程落地能力的开发者。不同于纯理论教材，它更侧重于实战中的决策逻辑。全书内容被整理为 13 个部分，涵盖了从基础策略到复杂场景的完整建议。其独特之处在于针对现代机器学习项目规模的变化，给出了关于 Dev\u002FTest 集设置的最新推荐方案。通过系统学习这些内容，用户能够优化模型迭代流程，避免在错误的评估指标上浪费时间，从而更高效地推动项目进展。无论是初学者还是资深从业者，都能从中获得关于如何构建稳健机器学习系统的宝贵见解。","\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fajaymache_machine-learning-yearning_readme_703784c0b8fc.png\">\u003C\u002Fp>\n\n# Machine Learning Yearning  [![Tweet](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Furl\u002Fhttp\u002Fshields.io.svg?style=social)](https:\u002F\u002Ftwitter.com\u002Fintent\u002Ftweet?text=Machine%20Learning%20Yearning%2C%20book%20by%20Andrew%20Ng%20&url=https:\u002F\u002Fgithub.com\u002Fajaymache\u002Fmachine-learning-yearning&hashtags=machinelearning,ML,AI,deeplearning,andrewng,coursera,datascience)  ![license](\u002Fshields\u002Flicense-free-orange.svg)  [![GitHub issues](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fajaymache\u002Ftravis-ci-with-github.svg?colorB=99cc33)](https:\u002F\u002Fgithub.com\u002Fajaymache\u002Ftravis-ci-with-github\u002Fissues)  ![Contributions](\u002Fshields\u002Fcontributions.svg)\n\n#### Technical Strategy for AI Engineers, In the Era of Deep Learning\n\nAuthor : 🅰️𝓷𝓭𝓻𝓮𝔀 🆖\n### About\n\nThe book has been divided into 13 parts originally by _**Prof. Andrew NG**_ along with the complete book with all the parts consolidated. In this book you will learn how to align on ML strategies in a team setting, as well as how to set up development (dev) sets and test sets. Recommendations for how to set up dev\u002Ftest sets have been changing as Machine Learning is moving toward bigger datasets, and this explains how you should do it for modern ML projects.\n\n### Contents\n:zero::zero: [Full Book](\u002Ffull%20book\u002Fmachine-learning-yearning.pdf)  \n\n:zero::one: [Chapters 1 to 14](machine-learning-yearning-part1.pdf)\n\n:zero::two: [Chapters 15 to 19](machine-learning-yearning-part2.pdf)\n\n:zero::three: [Chapters 20 to 22](machine-learning-yearning-part3.pdf)\n\n:zero::four: [Chapters 23 to 27](machine-learning-yearning-part4.pdf)\n\n:zero::five: [Chapters 28 to 30](machine-learning-yearning-part5.pdf)\n\n:zero::six: [Chapters 31 to 32](machine-learning-yearning-part6.pdf)\n\n:zero::seven: [Chapters 33 to 35](machine-learning-yearning-part7.pdf)\n\n:zero::eight: [Chapters 36 to 39](machine-learning-yearning-part8.pdf)\n\n:zero::nine: [Chapters 40 to 43](machine-learning-yearning-part9.pdf)\n\n:one::zero: [Chapters 44 to 46](machine-learning-yearning-part10.pdf)\n\n:one::one: [Chapters 47 to 49](machine-learning-yearning-part11.pdf)\n\n:one::two: [Chapters 50 to 52](machine-learning-yearning-part12.pdf)\n\n:one::three: [Chapters 53 to 58](machine-learning-yearning-part13.pdf)\n\n","\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fajaymache_machine-learning-yearning_readme_703784c0b8fc.png\">\u003C\u002Fp>\n\n# 机器学习精要  [![推文](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Furl\u002Fhttp\u002Fshields.io.svg?style=social)](https:\u002F\u002Ftwitter.com\u002Fintent\u002Ftweet?text=Machine%20Learning%20Yearning%2C%20book%20by%20Andrew%20Ng%20&url=https:\u002F\u002Fgithub.com\u002Fajaymache\u002Fmachine-learning-yearning&hashtags=machinelearning,ML,AI,deeplearning,andrewng,coursera,datascience)  ![许可证](\u002Fshields\u002Flicense-free-orange.svg)  [![GitHub 问题](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fajaymache\u002Ftravis-ci-with-github.svg?colorB=99cc33)](https:\u002F\u002Fgithub.com\u002Fajaymache\u002Ftravis-ci-with-github\u002Fissues)  ![贡献](\u002Fshields\u002Fcontributions.svg)\n\n#### 深度学习时代下 AI 工程师的技术策略\n\n作者：🅰️𝓷𝓭𝓻𝓮𝔀 🆖\n### 简介\n\n本书最初由 _**Andrew NG 教授**_ 划分为 13 个部分，此处提供了整合了所有章节的完整书籍。在书中，你将学习如何在团队环境中对齐机器学习 (ML) 策略，以及如何设置开发 (dev) 集和测试集。随着机器学习向更大规模的数据集发展，关于如何设置开发\u002F测试集的建议也在不断变化，本书解释了在现代机器学习项目中应如何进行操作。\n\n### 目录\n:zero::zero: [全书](\u002Ffull%20book\u002Fmachine-learning-yearning.pdf)  \n\n:zero::one: [第 1 章至第 14 章](machine-learning-yearning-part1.pdf)\n\n:zero::two: [第 15 章至第 19 章](machine-learning-yearning-part2.pdf)\n\n:zero::three: [第 20 章至第 22 章](machine-learning-yearning-part3.pdf)\n\n:zero::four: [第 23 章至第 27 章](machine-learning-yearning-part4.pdf)\n\n:zero::five: [第 28 章至第 30 章](machine-learning-yearning-part5.pdf)\n\n:zero::six: [第 31 章至第 32 章](machine-learning-yearning-part6.pdf)\n\n:zero::seven: [第 33 章至第 35 章](machine-learning-yearning-part7.pdf)\n\n:zero::eight: [第 36 章至第 39 章](machine-learning-yearning-part8.pdf)\n\n:zero::nine: [第 40 章至第 43 章](machine-learning-yearning-part9.pdf)\n\n:one::zero: [第 44 章至第 46 章](machine-learning-yearning-part10.pdf)\n\n:one::one: [第 47 章至第 49 章](machine-learning-yearning-part11.pdf)\n\n:one::two: [第 50 章至第 52 章](machine-learning-yearning-part12.pdf)\n\n:one::three: [第 53 章至第 58 章](machine-learning-yearning-part13.pdf)","# Machine Learning Yearning 快速上手指南\n\n## 简介\n本仓库收录了 Andrew Ng 教授所著《Machine Learning Yearning》的完整电子书资源。内容涵盖深度学习时代的 AI 工程师技术策略，包括开发集与测试集的搭建建议及团队 ML 策略对齐方法。\n\n## 环境准备\n本工具为文档资源库，无需复杂的环境配置，仅需以下基础条件：\n- **操作系统**：Windows \u002F macOS \u002F Linux\n- **网络环境**：可访问 GitHub 的网络连接\n- **必备软件**：\n  - Git 客户端（用于克隆仓库）\n  - PDF 阅读器（如 Adobe Acrobat、Edge 浏览器或 SumatraPDF）\n\n## 安装步骤\n通过 Git 命令行工具克隆本仓库到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fajaymache\u002Fmachine-learning-yearning.git\n```\n\n> **提示**：若下载速度较慢，请确保网络连接稳定，或使用支持国内加速的 Git 代理工具。\n\n## 基本使用\n克隆完成后，进入项目目录即可查看并阅读相关书籍文件：\n\n1. **进入项目目录**\n   ```bash\n   cd machine-learning-yearning\n   ```\n\n2. **查看文件结构**\n   根目录下包含全书合集及各章节分卷 PDF 文件：\n   - `full book\u002Fmachine-learning-yearning.pdf`：全书完整版\n   - `machine-learning-yearning-part1.pdf` 至 `part13.pdf`：按章节划分的分卷文件\n\n3. **阅读书籍**\n   双击任意 `.pdf` 文件即可在本地打开阅读，无需额外运行脚本或安装依赖。","某医疗 AI 初创团队正在开发肺结节自动检测模型，面对准确率长期停滞在 85% 的困境，急需找到突破口。\n\n### 没有 machine-learning-yearning 时\n- 团队成员盲目认为数据不足，花费数周收集大量低质量样本却无效果。\n- 无法区分模型偏差还是方差问题，调试方向混乱，频繁更换网络结构。\n- 开发集与测试集分布不一致，导致线上表现与离线评估差距巨大。\n- 缺乏统一的优先级判断标准，高级工程师与实习生对改进重点意见分歧。\n\n### 使用 machine-learning-yearning 后\n- 参考书中误差分析策略，发现主要错误集中在图像模糊区域，转而优化预处理而非堆砌数据。\n- 依据现代深度学习建议重新划分 dev\u002Ftest 集，确保评估指标真实反映泛化能力。\n- 明确“先解决最大误差源”的原则，集中算力攻克特定类别的误检问题。\n- 团队基于书中的策略框架对齐目标，减少了无效会议，快速达成共识。\n\nmachine-learning-yearning 通过提供系统化的机器学习工程策略，帮助团队从盲目试错转向科学高效的模型优化路径。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fajaymache_machine-learning-yearning_703784c0.png","ajaymache","Ajay Mache","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fajaymache_6ce263f9.png",null,"Boston, MA","https:\u002F\u002Fgithub.com\u002Fajaymache",1129,308,"2026-04-02T14:14:38","MIT",1,"未说明",{"notes":88,"python":86,"dependencies":89},"该仓库主要包含 Andrew Ng 的《Machine Learning Yearning》书籍 PDF 资源，属于文档资料而非可执行程序或代码库，因此没有特定的软件运行环境、硬件配置或 Python 依赖要求，仅需支持 PDF 阅读的设备即可使用。",[],[13],[92,67,93,94,95,96,97,98],"machine-learning","andrew-ng-machine-learning","andrew-ng-machine-learning-yearning","deep-learning","deep-learning-andrew-ng","deeplearning-ai","machine-learning-coursera","2026-03-27T02:49:30.150509","2026-04-06T05:36:48.523270",[],[]]