[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-alexeygrigorev--data-science-interviews":3,"tool-alexeygrigorev--data-science-interviews":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161692,"2026-04-20T11:33:57",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"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":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":99,"env_os":100,"env_gpu":101,"env_ram":101,"env_deps":102,"category_tags":105,"github_topics":107,"view_count":24,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":144},10205,"alexeygrigorev\u002Fdata-science-interviews","data-science-interviews","Data science interview questions and answers","data-science-interviews 是一个专注于数据科学领域的开源面试题库，旨在为求职者和面试官提供高质量的问答资源。它系统性地整理了涵盖线性模型、决策树、神经网络等理论基础，以及 SQL、Python 编程等实战技能的常见面试题，并附带由社区共同维护的参考答案。\n\n该项目有效解决了数据科学从业者在备考时资料分散、答案标准不一的痛点，同时也为企业面试官提供了筛选人才的参考基准。其最大的亮点在于开放的社区协作模式：任何用户都可以提交新的题目、优化现有答案或修正错误，确保内容随着行业发展持续更新。此外，项目还专门设立了概率论等细分领域的贡献板块，并汇总了其他优质的面试资源链接。\n\n无论是即将步入职场的数据科学学生、寻求职业突破的分析师，还是负责招聘的技术主管，都能从中获益。通过参与贡献，用户不仅能完善知识库，还能与全球数据爱好者交流切磋。作为一个基于知识共享许可协议的公共项目，data-science-interviews 致力于打造一个透明、互助的学习生态，帮助每一位数据从业者在面试中展现最佳水平。"," \n\u003Cfigure>\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexeygrigorev_data-science-interviews_readme_bf2fc3f2af2b.jpg\">\n    \u003Cfigcaption>Photo by \u003Ca href=\"https:\u002F\u002Fpxhere.com\u002Fen\u002Fphotographer\u002F395564\">Waseem Farooq\u003C\u002Fa> from \u003Ca href=\"http:\u002F\u002Fpxhere.com\u002Fen\u002Fphoto\u002F1446003\">PxHere\u003C\u002Fa>\u003C\u002Ffigcaption>\n\u003C\u002Ffigure>\n\n# Data Science Interviews\n\nData science interview questions - with answers\n\nThe answers are given by the community\n\n* If you know how to answer a question — please create a PR with the answer\n* If there's already an answer, but you can improve it — please create a PR with improvement suggestion\n* If you see a mistake — please create a PR with a fix\n\nFor updates, follow me on Twitter ([@Al_Grigor](https:\u002F\u002Ftwitter.com\u002FAl_Grigor)) and on LinkedIn ([agrigorev](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fagrigorev))\n\nDo you want to talk about data? Join [DataTalks.Club](https:\u002F\u002FDataTalks.Club)\n\n\n## Questions by category\n\n* Theoretical questions: [theory.md](theory.md) (linear models, trees, neural networks and others)\n* Technical questions: [technical.md](technical.md) (SQL, Python, coding)\n* More to come\n\n## Contributed questions\n\nThe `contrib` folder contains contributed interview questions:\n\n* Probability: [contrib\u002Fprobability.md](contrib\u002Fprobability.md)\n* Add your questions here!\n\n## Other useful things\n\n* Awesome data science interview questions and other resources: [awesome.md](awesome.md)\n\n\nThis is a joint effort of many people. You can see the list of contributors here: [contributors.md](contributors.md)\n\n## License\n\nThis work is licensed under a [Creative Commons Attribution 4.0 International License][cc-by].\n\n[![CC BY 4.0][cc-by-image]][cc-by]\n\n[cc-by]: http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F\n[cc-by-image]: https:\u002F\u002Fi.creativecommons.org\u002Fl\u002Fby\u002F4.0\u002F88x31.png\n","\u003Cfigure>\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexeygrigorev_data-science-interviews_readme_bf2fc3f2af2b.jpg\">\n    \u003Cfigcaption>照片由 \u003Ca href=\"https:\u002F\u002Fpxhere.com\u002Fen\u002Fphotographer\u002F395564\">Waseem Farooq\u003C\u002Fa> 拍摄，来自 \u003Ca href=\"http:\u002F\u002Fpxhere.com\u002Fen\u002Fphoto\u002F1446003\">PxHere\u003C\u002Fa>\u003C\u002Ffigcaption>\n\u003C\u002Ffigure>\n\n# 数据科学面试\n\n数据科学面试题——附答案\n\n答案由社区提供\n\n* 如果你知道如何回答某个问题，请提交一个包含答案的拉取请求（PR）\n* 如果已经有答案，但你可以改进它，请提交一个包含改进建议的拉取请求\n* 如果你发现错误，请提交一个包含修复内容的拉取请求\n\n如需更新，请在 Twitter 上关注我 ([@Al_Grigor](https:\u002F\u002Ftwitter.com\u002FAl_Grigor)) 和 LinkedIn 上关注我 ([agrigorev](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fagrigorev))\n\n想聊聊数据吗？加入 [DataTalks.Club](https:\u002F\u002FDataTalks.Club)\n\n\n## 按类别划分的问题\n\n* 理论类问题：[theory.md](theory.md)（线性模型、树模型、神经网络等）\n* 技术类问题：[technical.md](technical.md)（SQL、Python、编程）\n* 更多内容即将推出\n\n## 贡献的问题\n\n`contrib` 文件夹中包含了大家贡献的面试题目：\n\n* 概率：[contrib\u002Fprobability.md](contrib\u002Fprobability.md)\n* 你也快来添加你的问题吧！\n\n## 其他实用资源\n\n* 精选的数据科学面试题及其他资源：[awesome.md](awesome.md)\n\n\n这是一项由许多人共同完成的工作。贡献者名单请见：[contributors.md](contributors.md)\n\n## 许可证\n\n本作品采用 [知识共享署名 4.0 国际许可协议][cc-by] 许可。\n\n[![CC BY 4.0][cc-by-image]][cc-by]\n\n[cc-by]: http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F\n[cc-by-image]: https:\u002F\u002Fi.creativecommons.org\u002Fl\u002Fby\u002F4.0\u002F88x31.png","# Data Science Interviews 快速上手指南\n\n`data-science-interviews` 是一个开源的数据科学面试题库，包含理论（线性模型、树、神经网络等）和技术（SQL、Python、编码）问题及其社区提供的答案。本项目主要为文档资源库，无需复杂的环境配置或编译安装。\n\n## 环境准备\n\n本项目本质为 Markdown 文档集合，对系统无特殊要求。\n- **操作系统**：Windows、macOS 或 Linux 均可。\n- **前置依赖**：\n  - 已安装 **Git**（用于克隆仓库）。\n  - 任意 **Markdown 阅读器** 或浏览器（用于查看内容），也可使用 VS Code、Typora 等编辑器直接阅读源码。\n\n## 安装步骤\n\n通过 Git 将项目克隆到本地即可使用：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Falexeygrigorev\u002Fdata-science-interviews.git\ncd data-science-interviews\n```\n\n> **提示**：如果在国内访问 GitHub 速度较慢，建议使用国内镜像源（如 Gitee 镜像，若有）或配置代理加速。若无特定镜像，上述命令为标准获取方式。\n\n## 基本使用\n\n克隆完成后，直接在本地文件夹中打开对应的 Markdown 文件即可开始学习或查阅。\n\n**1. 查看理论类面试题**\n打开 `theory.md` 文件，涵盖线性模型、决策树、神经网络等理论基础：\n```bash\n# 在终端使用 cat 查看（Linux\u002FMac）\ncat theory.md\n\n# 或在编辑器中打开\ncode theory.md\n```\n\n**2. 查看技术类面试题**\n打开 `technical.md` 文件，涵盖 SQL、Python 编程及代码实战题：\n```bash\ncat technical.md\n```\n\n**3. 查看概率论专题**\n进入 `contrib` 目录查看社区贡献的概率论题目：\n```bash\ncat contrib\u002Fprobability.md\n```\n\n**4. 参与贡献**\n如果你知道某个问题的答案，或发现错误，可以直接修改对应的 `.md` 文件并提交 Pull Request (PR)：\n```bash\n# 编辑文件（例如添加答案）\nvim theory.md\n\n# 提交更改\ngit add .\ngit commit -m \"Add answer for question X\"\ngit push origin main\n```\n\n你可以通过浏览器直接浏览仓库中的文件，或使用支持 Markdown 预览的编辑器获得更好的阅读体验。","某科技公司数据团队主管正为即将到来的校招季筹备面试题库，急需一套覆盖理论推导与代码实战的高质量题目来评估候选人水平。\n\n### 没有 data-science-interviews 时\n- 面试官只能凭个人经验零散出题，导致不同候选人的考核维度不一致，难以横向对比能力。\n- 缺乏标准参考答案，对于线性模型推导或复杂 SQL 窗口函数等深奥问题，现场评判容易主观化。\n- 准备过程耗时巨大，需花费数天在各大论坛搜集碎片化资料，且无法确保题目的时效性与准确性。\n- 题库结构混乱，缺乏清晰的分类（如理论、编程、概率），使得面试流程安排显得杂乱无章。\n\n### 使用 data-science-interviews 后\n- 直接调用按类别整理的现成题库，统一了从神经网络原理到 Python 编码的考核标准，确保评估公平性。\n- 参考社区贡献并经多轮修订的标准答案，快速核实候选人回答的深度与正确性，大幅降低误判率。\n- 利用其开放的协作机制，不仅获取了最新的高频考题，还能针对特定业务场景补充概率论等专项问题。\n- 依托清晰的目录结构（theory.md, technical.md 等），迅速规划出分环节的面试流程，将备题时间从数天缩短至几小时。\n\ndata-science-interviews 通过社区共建的标准化题库与答案体系，将数据科学招聘从“凭感觉”的粗放模式升级为高效、客观的专业评估流程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexeygrigorev_data-science-interviews_bf2fc3f2.jpg","alexeygrigorev","Alexey Grigorev","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Falexeygrigorev_d65d36ff.jpg","Running @DataTalksClub and hacking some personal projects","@DataTalksClub ","Berlin, Germany",null,"Al_Grigor","https:\u002F\u002Falexeygrigorev.com","https:\u002F\u002Fgithub.com\u002Falexeygrigorev",[83,87,91],{"name":84,"color":85,"percentage":86},"HTML","#e34c26",72.4,{"name":88,"color":89,"percentage":90},"Ruby","#701516",23.5,{"name":92,"color":93,"percentage":94},"SCSS","#c6538c",4.1,9919,2134,"2026-04-20T04:49:15","CC-BY-4.0",1,"","未说明",{"notes":103,"python":101,"dependencies":104},"该项目是一个包含数据科学面试问题及答案的文档仓库（Markdown 格式），并非可执行的软件工具或 AI 模型，因此无需特定的操作系统、GPU、内存或 Python 环境。用户只需使用浏览器查看或通过文本编辑器阅读 Markdown 文件即可。贡献者可通过提交 Pull Request 来更新内容。",[],[16,106,14],"其他",[108,109,110,64],"data-science","machine-learning","interview-questions","2026-03-27T02:49:30.150509","2026-04-20T21:05:25.092712",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},45798,"为什么带有字典记忆化的斐波那契递归实现（fibonacci4）没有达到 O(n) 的时间复杂度？","因为在该实现中，字典 `dic` 是局部变量，在递归调用过程中不会被共享，导致每次递归都重新创建字典，无法有效记忆。要正确实现 O(n) 复杂度的记忆化搜索，建议使用 Python 的 `functools` 库中的 `lru_cache` 装饰器。示例代码如下：\n```python\nfrom functools import lru_cache\n\n@lru_cache()\ndef fibonacci1(n):\n    if n == 0 or n == 1:\n        return n\n    else:\n        return fibonacci1(n - 1) + fibonacci1(n - 2)\n```","https:\u002F\u002Fgithub.com\u002Falexeygrigorev\u002Fdata-science-interviews\u002Fissues\u002F74",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},45799,"计算标准差时导入 `mean` 函数报错怎么办？","错误通常是因为试图从 `math` 模块导入 `mean`，但 `mean` 函数实际上位于 `statistics` 模块中。请使用以下代码进行修正：\n```python\nfrom statistics import mean\n```\n修改后即可正常计算平均值并进而计算标准差。","https:\u002F\u002Fgithub.com\u002Falexeygrigorev\u002Fdata-science-interviews\u002Fissues\u002F149",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},45800,"我想修复仓库中的 SQL 查询错误并提交 PR，但不知道如何创建分支，该怎么办？","在 GitHub 上贡献代码的标准流程是先 Fork 仓库。具体步骤如下：\n1. 点击仓库页面右上角的 \"Fork\" 按钮，将仓库复制到你自己的账户下。\n2. 克隆你 Fork 后的仓库到本地。\n3. 在本地创建新分支并进行修改。\n4. 推送修改到你的远程 Fork 仓库。\n5. 在原始仓库页面点击 \"New Pull Request\"，选择从你的 Fork 分支发起请求。\n详细官方指南可参考：https:\u002F\u002Fdocs.github.com\u002Fen\u002Fgithub\u002Fcollaborating-with-issues-and-pull-requests\u002Fcreating-a-pull-request-from-a-fork","https:\u002F\u002Fgithub.com\u002Falexeygrigorev\u002Fdata-science-interviews\u002Fissues\u002F121",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},45801,"在去除列表重复项时，使用 `set` 还是保留列表推导式更好？","两种方法各有优劣，取决于具体场景：\n1. **使用 `set`**：查找和去重效率为 O(1)，适合处理大规模数据列表，性能更优。\n2. **使用列表推导式或保持原顺序的方法**：代码行数更少，逻辑直观易读，且能保持元素原始顺序，适合小规模数据或对顺序有要求的场景。\n建议根据数据量大小和对顺序的需求选择合适的方法，或者在文档中同时列出两种方案以供讨论。","https:\u002F\u002Fgithub.com\u002Falexeygrigorev\u002Fdata-science-interviews\u002Fissues\u002F99",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},45802,"ROC 曲线的定义是 TPR 对 FPR 还是 TPR 对 TNR？","ROC 曲线（Receiver Operating Characteristic curve）的正确定义是 **真阳性率（TPR）** 对 **假阳性率（FPR）** 的图示。如果文档中描述为“真阳性率对真阴性率（TNR）”，那是错误的，应予以修正。TPR 纵轴，FPR 横轴。","https:\u002F\u002Fgithub.com\u002Falexeygrigorev\u002Fdata-science-interviews\u002Fissues\u002F115",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},45803,"如何在面试题库的 Markdown 文件中添加目录以便导航？","可以在 Markdown 文件顶部手动添加目录（Table of Contents），利用锚点链接跳转到各个章节。格式示例如下：\n```markdown\n## Table of contents\n  * [Supervised machine learning](#supervised-machine-learning)\n  * [Linear regression](#linear-regression)\n  * [Validation](#validation)\n  * [Classification](#classification)\n```\n注意：标题对应的锚点通常是将标题转为小写并用连字符 `-` 替换空格。维护者欢迎用户提交包含此类目录优化的 Pull Request。","https:\u002F\u002Fgithub.com\u002Falexeygrigorev\u002Fdata-science-interviews\u002Fissues\u002F90",[]]