[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-alexattia--Data-Science-Projects":3,"tool-alexattia--Data-Science-Projects":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",140436,2,"2026-04-05T23:32:43",[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":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":80,"owner_location":81,"owner_email":80,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":97,"forks":98,"last_commit_at":99,"license":80,"difficulty_score":100,"env_os":101,"env_gpu":101,"env_ram":101,"env_deps":102,"category_tags":111,"github_topics":112,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":118,"updated_at":119,"faqs":120,"releases":121},2486,"alexattia\u002FData-Science-Projects","Data-Science-Projects","DataScience projects for learning : Kaggle challenges, Object Recognition, Parsing, etc.","Data-Science-Projects 是一个面向数据科学初学者的开源学习资源库，汇集了多个基于 Python 的实战项目代码与案例。它主要解决了理论学习与实际应用脱节的问题，通过提供从数据清洗、可视化分析到模型构建的完整流程演示，帮助使用者跨越从“看懂概念”到“动手实现”的门槛。\n\n该项目涵盖了丰富多样的应用场景，包括 Kaggle 经典竞赛如共享单车需求预测、纽约出租车行程时长估算、亚马逊雨林卫星图像识别以及 IMDB 电影评分预测等。此外，还包含利用 Selenium 和 PhantomJS 突破 Twitter API 限制进行自动化数据采集、基于 dlib 和深度学习算法的高效人脸识别，以及足球数据分析等趣味实践。这些案例不仅展示了如何处理结构化表格数据，也涉及了图像处理和网页爬虫等非结构化数据处理技巧。\n\nData-Science-Projects 特别适合正在入门数据科学与机器学习领域的开发者、学生及研究人员使用。对于希望积累实战经验、理解不同算法在真实场景中如何落地的学习者而言，这是一份极具参考价值的代码指南。项目中结合使用了传统机器学习库与 Keras 等深度学习","Data-Science-Projects 是一个面向数据科学初学者的开源学习资源库，汇集了多个基于 Python 的实战项目代码与案例。它主要解决了理论学习与实际应用脱节的问题，通过提供从数据清洗、可视化分析到模型构建的完整流程演示，帮助使用者跨越从“看懂概念”到“动手实现”的门槛。\n\n该项目涵盖了丰富多样的应用场景，包括 Kaggle 经典竞赛如共享单车需求预测、纽约出租车行程时长估算、亚马逊雨林卫星图像识别以及 IMDB 电影评分预测等。此外，还包含利用 Selenium 和 PhantomJS 突破 Twitter API 限制进行自动化数据采集、基于 dlib 和深度学习算法的高效人脸识别，以及足球数据分析等趣味实践。这些案例不仅展示了如何处理结构化表格数据，也涉及了图像处理和网页爬虫等非结构化数据处理技巧。\n\nData-Science-Projects 特别适合正在入门数据科学与机器学习领域的开发者、学生及研究人员使用。对于希望积累实战经验、理解不同算法在真实场景中如何落地的学习者而言，这是一份极具参考价值的代码指南。项目中结合使用了传统机器学习库与 Keras 等深度学习框架，并涉及 HOG 算法等具体技术细节，为用户提供了多样化的技术视角。无论是想提升编程能力，还是寻找灵感以启动自己的数据项目，用户都能从中获得清晰的思路与可复用的代码模块，是提升数据工程与算法应用能力的优质辅助材料。","# Online-Challenge\nChallenge submitted on HackerRank and Kaggle.\n\nAlgorithm challenges are made on HackerRank using Python.\n\nData Science and Machine Learning challenges are made on Kaggle using Python too. \n\n## [Kaggle Bike Sharing](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FKaggleBikeSharing)\nThe goal of this challenge is to build a model that predicts the count of bike shared, exclusively based on contextual features. The first part of this challenge was aimed to understand, to analyse and to process those dataset. I wanted to produce meaningful information with plots. The second part was to build a model and use a Machine Learning library in order to predict the count.\n\n-->[French Explanations PDF](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Fblob\u002Fmaster\u002FKaggleBikeSharing\u002FKaggle_BikeSharing_Explanations_French.pdf)\n\n## [Twitter Parsing](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FTwitterParsing)\n\nI've recently discovered the Chris Albon Machine Learning flash cards and I want to download those flash cards but the official Twitter API has a limit rate of 2 weeks old tweets so I had to find a way to bypass this limitation : use Selenium and PhantomJS.  \nPurpose of this project : Check every 2 hours, if he posted new flash cards. In this case, download them and send me a summary email.\n\n## [Face Recognition](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FFaceRecognition)\n\nModern face recognition with deep learning and HOG algorithm. Using dlib C++ library, I have a quick face recognition tool using few pictures (20 per person).\n\n## [Playing with Soccer data](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FKaggleSoccer)\n\nAs a soccer fan and a data passionate, I wanted to play and analyze with soccer data.  \nI don't know currently what's the aim of this project but I will parse data from diverse websites, for differents teams and differents players. \n\n## [NYC Taxi Trips](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FKaggleTaxiTrip)\n\nKaggle playground to predict the total ride duration of taxi trips in New York City. \n\n## [Kaggle Understanding the Amazon from Space](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FKaggleAmazon) \nUse satellite data to track the human footprint in the Amazon rainforest.  \nDeep Learning model (using Keras) to label satellite images.\n\n## [Predicting IMDB movie rating](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FKaggleMovieRating)\nProject inspired by Chuan Sun [work](https:\u002F\u002Fwww.kaggle.com\u002Fdeepmatrix\u002Fimdb-5000-movie-dataset)  \nHow can we tell the greatness of a movie ?  \nScrapping and Machine Learning  ","# 在线挑战\n在 HackerRank 和 Kaggle 上提交的挑战。\n\n算法挑战使用 Python 在 HackerRank 上完成。\n\n数据科学和机器学习挑战同样使用 Python 在 Kaggle 上完成。\n\n## [Kaggle 自行车共享](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FKaggleBikeSharing)\n本挑战的目标是仅基于上下文特征构建一个预测自行车共享数量的模型。挑战的第一部分旨在理解、分析和处理数据集，我希望通过图表生成有意义的信息。第二部分则是构建模型，并利用机器学习库进行预测。\n\n-->[法语说明 PDF](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Fblob\u002Fmaster\u002FKaggleBikeSharing\u002FKaggle_BikeSharing_Explanations_French.pdf)\n\n## [Twitter 数据解析](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FTwitterParsing)\n\n我最近发现了 Chris Albon 的机器学习抽认卡，想下载这些卡片，但 Twitter 官方 API 对旧于两周的推文有限制，因此我必须找到一种绕过此限制的方法：使用 Selenium 和 PhantomJS。  \n该项目的目的：每两小时检查一次，看是否发布了新的抽认卡。如果有新内容，则下载并发送一封摘要邮件给我。\n\n## [人脸识别](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FFaceRecognition)\n\n结合深度学习和 HOG 算法的现代人脸识别技术。通过 dlib C++ 库，我开发了一个快速的人脸识别工具，仅需少量图片（每人 20 张）即可实现。\n\n## [玩转足球数据](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FKaggleSoccer)\n\n作为一名足球迷和数据爱好者，我想尝试用足球数据进行玩耍和分析。  \n目前还不确定这个项目的具体目标，但我将从多个网站抓取不同球队和球员的数据。\n\n## [纽约市出租车行程](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FKaggleTaxiTrip)\n\nKaggle 上的一个练习项目，用于预测纽约市出租车行程的总时长。\n\n## [Kaggle 从太空理解亚马逊](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FKaggleAmazon) \n利用卫星数据追踪人类活动对亚马逊雨林的影响。  \n使用 Keras 构建深度学习模型来标注卫星图像。\n\n## [预测 IMDB 电影评分](https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects\u002Ftree\u002Fmaster\u002FKaggleMovieRating)\n该项目受到 Chuan Sun [工作](https:\u002F\u002Fwww.kaggle.com\u002Fdeepmatrix\u002Fimdb-5000-movie-dataset) 的启发。  \n我们如何判断一部电影的好坏？  \n网络爬虫与机器学习相结合。","# Data-Science-Projects 快速上手指南\n\n本项目集合了多个基于 Python 的数据科学与机器学习挑战案例，涵盖 HackerRank 算法题及 Kaggle 数据竞赛项目（如共享单车预测、亚马逊卫星图像分类、IMDB 电影评分预测等）。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：建议 Python 3.6+\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `git` (版本控制工具)\n    *   部分项目可能需要特定的系统库（如 `dlib` 需要 C++ 编译器，`Selenium` 需要浏览器驱动）\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Falexattia\u002FData-Science-Projects.git\n    cd Data-Science-Projects\n    ```\n\n2.  **配置国内镜像源（推荐）**\n    为加速依赖包下载，建议配置 pip 使用清华或阿里云镜像。例如临时使用清华源安装依赖：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *(注：若根目录无统一的 `requirements.txt`，请进入具体子项目目录执行该命令)*\n\n3.  **安装特定项目依赖**\n    由于各项目依赖不同，请进入具体项目文件夹安装。以 Kaggle 共享单车项目为例：\n    ```bash\n    cd KaggleBikeSharing\n    pip install pandas numpy scikit-learn matplotlib seaborn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n    对于涉及深度学习的项目（如 Amazon 卫星图像）：\n    ```bash\n    cd KaggleAmazon\n    pip install keras tensorflow pillow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n本项目由多个独立的子模块组成，请根据兴趣选择对应目录运行。以下是两个典型示例：\n\n### 示例 1：Kaggle 共享单车需求预测 (KaggleBikeSharing)\n\n该模块包含数据探索性分析（EDA）和机器学习模型构建。\n\n1.  进入目录：\n    ```bash\n    cd KaggleBikeSharing\n    ```\n2.  运行 Jupyter Notebook 查看分析与建模过程：\n    ```bash\n    jupyter notebook\n    ```\n3.  在浏览器中打开 `.ipynb` 文件，依次执行单元格即可重现数据分析图表及预测模型。\n\n### 示例 2：亚马逊卫星图像分类 (KaggleAmazon)\n\n该模块使用 Keras 构建深度学习模型对卫星图像进行多标签分类。\n\n1.  进入目录：\n    ```bash\n    cd KaggleAmazon\n    ```\n2.  确保已下载数据集并放置在指定目录（通常需参考 Kaggle 竞赛页面下载数据）。\n3.  运行训练脚本（假设主脚本为 `train.py`，具体文件名请以实际仓库为准）：\n    ```bash\n    python train.py\n    ```\n\n### 其他项目说明\n\n*   **TwitterParsing**: 需安装 Selenium 和 PhantomJS\u002FChromeDriver，用于绕过 API 限制抓取推文。\n*   **FaceRecognition**: 依赖 `dlib` 库，需确保系统已安装 CMake 和 Boost 库以编译 dlib。\n*   **NYC Taxi Trips \u002F KaggleSoccer \u002F KaggleMovieRating**: 主要为数据清洗与特征工程笔记，建议在 Jupyter Notebook 环境中交互式运行代码以理解数据处理流程。","李明是一名刚转行进入数据科学领域的初级分析师，他急需通过实战项目来掌握从数据清洗、特征工程到模型构建的全流程技能，以应对即将到来的 Kaggle 竞赛和公司内部的数据预测任务。\n\n### 没有 Data-Science-Projects 时\n- **缺乏系统性参考**：面对复杂的 Kaggle 题目（如共享单车需求预测），不知如何着手进行探索性数据分析（EDA），难以从杂乱数据中提取有意义的可视化图表。\n- **技术实现受阻**：在尝试绕过 Twitter API 限制抓取历史数据时，因不熟悉 Selenium 和 PhantomJS 的配合使用，导致自动化监控脚本编写失败，无法及时获取最新学习资料。\n- **算法落地困难**：想实现高效的人脸识别功能，但面对 dlib 库和 HOG 算法的组合应用感到迷茫，仅凭少量样本图片难以调试出稳定的识别模型。\n- **领域知识匮乏**：在处理卫星图像分类或足球数据分析等非结构化数据时，缺乏现成的代码框架参考，导致从零搭建深度学习模型（如使用 Keras）的试错成本极高。\n\n### 使用 Data-Science-Projects 后\n- **流程清晰化**：参考其中的“Kaggle Bike Sharing”项目，李明快速掌握了基于上下文特征的数据预处理技巧，并学会了如何绘制关键图表来辅助理解数据分布。\n- **自动化方案复用**：直接借鉴“Twitter Parsing”中的 Selenium 自动化脚本逻辑，成功构建了每两小时检查并邮件推送新内容的监控工具，突破了 API 的时间限制。\n- **模型快速部署**：利用“Face Recognition”项目中封装好的 dlib 与深度学习方法，仅用每人 20 张照片就快速搭建起一个响应迅速且准确的人脸识别原型。\n- **多场景拓展能力**：通过研读“Kaggle Amazon”和“NYC Taxi Trips”等案例，李明学会了如何将深度学习应用于卫星图像标签化及回归预测问题，显著提升了处理多样化数据任务的信心与效率。\n\nData-Science-Projects 通过提供涵盖爬虫、视觉识别及预测建模的完整代码范例，极大地缩短了学习者从理论到实战的摸索路径，是提升数据科学工程能力的实用指南。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexattia_Data-Science-Projects_02165fc0.png","alexattia","Alexandre Attia","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Falexattia_1cff0d7c.jpg","Always keep on learning.\r\nData Science.\r\nTwitter : @alexattia",null,"Paris","www.alexattia.fr","https:\u002F\u002Fgithub.com\u002Falexattia",[85,89,93],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",97.5,{"name":90,"color":91,"percentage":92},"Python","#3572A5",2.5,{"name":94,"color":95,"percentage":96},"Shell","#89e051",0,1143,456,"2026-03-30T16:30:59",4,"未说明",{"notes":103,"python":104,"dependencies":105},"该项目为多个独立数据科学挑战的集合，而非单一工具。其中 'Twitter Parsing' 子项目依赖 Selenium 和 PhantomJS 进行网页自动化；'Face Recognition' 子项目依赖 dlib C++ 库；'Kaggle Amazon' 子项目使用 Keras 进行深度学习。README 中未提供具体的环境配置指南、版本锁定文件或硬件资源需求，需根据各子项目的具体代码另行确定依赖版本。","Python (具体版本未说明)",[106,107,108,109,110],"Selenium","PhantomJS","dlib","Keras","Machine Learning libraries (generic)",[13],[113,114,115,116,117],"kaggle","hackerrank","machine-learning","python","challenge","2026-03-27T02:49:30.150509","2026-04-06T09:44:32.754687",[],[]]