[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-apachecn--fe4ml-zh":3,"tool-apachecn--fe4ml-zh":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",151918,2,"2026-04-12T11:33:05",[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":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":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":100,"forks":101,"last_commit_at":102,"license":103,"difficulty_score":104,"env_os":105,"env_gpu":106,"env_ram":106,"env_deps":107,"category_tags":110,"github_topics":111,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":119},6973,"apachecn\u002Ffe4ml-zh","fe4ml-zh",":book: [译] 面向机器学习的特征工程","fe4ml-zh 是 ApacheCN 社区精心翻译的开源中文教程，源自英文经典著作《Feature Engineering for Machine Learning》。它专注于解决机器学习中最关键却常被忽视的环节——特征工程，帮助从业者将原始数据转化为模型能高效理解的优质特征，从而显著提升预测准确率。\n\n内容涵盖从基础到进阶的全方位实战技巧：包括数值数据的巧妙处理、文本数据的清洗与向量化（如 TF-IDF）、类别特征编码、利用 PCA 进行降维、非线性特征提取，乃至结合深度学习的自动化图像特征提取等。通过系统的章节安排和清晰的代码示例，它将复杂的数学原理转化为可落地的操作步骤。\n\n这款资源特别适合机器学习开发者、数据科学家及高校研究人员使用。无论你是刚入门的新手，还是希望夯实理论基础并提升实战能力的资深工程师，都能从中获益。其独特亮点在于不仅讲解“怎么做”，更深入剖析“为什么这么做”，并提供了 Docker、PyPI 和 NPM 多种便捷的本地部署方式，支持离线阅读与交互式学习。作为一本免费开放的非营利性学习资料，fe4ml-zh 致力于降低技术门槛，推动中文机器学习社区的共同成长。","# 面向机器学习的特征工程\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapachecn_fe4ml-zh_readme_43449c48fde4.jpg)\n\n> 原文（注册后可阅读）：[Feature Engineering for Machine Learning (Early Release)](https:\u002F\u002Fwww.safaribooksonline.com\u002Flibrary\u002Fview\u002Ffeature-engineering-for\u002F9781491953235\u002F)\n> \n> 协议：[CC BY-NC-SA 4.0](http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F)\n> \n> **欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远**\n\n* [在线阅读](http:\u002F\u002Ffe4ml.apachecn.org)\n* [在线阅读（Gitee）](https:\u002F\u002Fapachecn.gitee.io\u002Ffe4ml-zh\u002F)\n* [ApacheCN 机器学习交流群 629470233](http:\u002F\u002Fshang.qq.com\u002Fwpa\u002Fqunwpa?idkey=30e5f1123a79867570f665aa3a483ca404b1c3f77737bc01ec520ed5f078ddef)\n* [ApacheCN 学习资源](http:\u002F\u002Fwww.apachecn.org\u002F)\n* [利用 Python 进行数据分析 第二版](https:\u002F\u002Fgithub.com\u002Fapachecn\u002Fpyda-2e-zh)\n\n## 目录\n\n+   [一、引言](docs\u002F1.引言.md)\n+   [二、简单数字的奇特技巧](docs\u002F2.简单数字的奇特技巧.md)\n+   [三、文本数据：展开、过滤和分块](docs\u002F3.文本数据.md)\n+   [四、特征缩放的效果：从词袋到 TF-IDF](docs\u002F4.特征缩放的效果：从词袋到_TF-IDF.md)\n+   [五、类别特征：机器鸡时代的鸡蛋计数](docs\u002F5.类别特征.md)\n+   [六、降维：使用 PCA 压缩数据集](docs\u002F6.降维：用_PCA_压缩数据集.md)\n+   [七、非线性特征提取和模型堆叠](docs\u002F7.非线性特征提取和模型堆叠.md)\n+   [八、自动化特征提取器：图像特征提取和深度学习](docs\u002F8.自动化特征提取器：图像特征提取和深度学习.md)\n+   九、回到特征：将它们放到一起\n+   [附录、线性模型和线性代数基础](docs\u002F附录.线性模型和线性代数基础.md)\n\n## 负责人\n\n* [@飞龙](https:\u002F\u002Fgithub.com\u002Fwizardforcel): 562826179\n\n## 免责声明\n\nApacheCN 纯粹出于学习目的与个人兴趣翻译本书，不追求任何经济利益。\n\n本译文只供学习研究参考之用，不得用于商业用途。ApacheCN 保留对此版本译文的署名权及其它相关权利。\n\n## 下载\n\n### Docker\n\n```\ndocker pull apachecn0\u002Ffe4ml-zh\ndocker run -tid -p \u003Cport>:80 apachecn0\u002Ffe4ml-zh\n# 访问 http:\u002F\u002Flocalhost:{port} 查看文档\n```\n\n### PYPI\n\n```\npip install fe4ml-zh\nfe4ml-zh \u003Cport>\n# 访问 http:\u002F\u002Flocalhost:{port} 查看文档\n```\n\n### NPM\n\n```\nnpm install -g fe4ml-zh\nfe4ml-zh \u003Cport>\n# 访问 http:\u002F\u002Flocalhost:{port} 查看文档\n```\n\n## 赞助我们\n\n\u003Cimg src=\"http:\u002F\u002Fwww.apachecn.org\u002Fimg\u002Fabout\u002Fdonate.jpg\" alt=\"微信&支付宝\" \u002F>\n","# 面向机器学习的特征工程\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapachecn_fe4ml-zh_readme_43449c48fde4.jpg)\n\n> 原文（注册后可阅读）：[Feature Engineering for Machine Learning (Early Release)](https:\u002F\u002Fwww.safaribooksonline.com\u002Flibrary\u002Fview\u002Ffeature-engineering-for\u002F9781491953235\u002F)\n> \n> 协议：[CC BY-NC-SA 4.0](http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F)\n> \n> **欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远**\n\n* [在线阅读](http:\u002F\u002Ffe4ml.apachecn.org)\n* [在线阅读（Gitee）](https:\u002F\u002Fapachecn.gitee.io\u002Ffe4ml-zh\u002F)\n* [ApacheCN 机器学习交流群 629470233](http:\u002F\u002Fshang.qq.com\u002Fwpa\u002Fqunwpa?idkey=30e5f1123a79867570f665aa3a483ca404b1c3f77737bc01ec520ed5f078ddef)\n* [ApacheCN 学习资源](http:\u002F\u002Fwww.apachecn.org\u002F)\n* [利用 Python 进行数据分析 第二版](https:\u002F\u002Fgithub.com\u002Fapachecn\u002Fpyda-2e-zh)\n\n## 目录\n\n+   [一、引言](docs\u002F1.引言.md)\n+   [二、简单数字的奇特技巧](docs\u002F2.简单数字的奇特技巧.md)\n+   [三、文本数据：展开、过滤和分块](docs\u002F3.文本数据.md)\n+   [四、特征缩放的效果：从词袋到 TF-IDF](docs\u002F4.特征缩放的效果：从词袋到_TF-IDF.md)\n+   [五、类别特征：机器鸡时代的鸡蛋计数](docs\u002F5.类别特征.md)\n+   [六、降维：使用 PCA 压缩数据集](docs\u002F6.降维：用_PCA_压缩数据集.md)\n+   [七、非线性特征提取和模型堆叠](docs\u002F7.非线性特征提取和模型堆叠.md)\n+   [八、自动化特征提取器：图像特征提取和深度学习](docs\u002F8.自动化特征提取器：图像特征提取和深度学习.md)\n+   九、回到特征：将它们放到一起\n+   [附录、线性模型和线性代数基础](docs\u002F附录.线性模型和线性代数基础.md)\n\n## 负责人\n\n* [@飞龙](https:\u002F\u002Fgithub.com\u002Fwizardforcel): 562826179\n\n## 免责声明\n\nApacheCN 纯粹出于学习目的与个人兴趣翻译本书，不追求任何经济利益。\n\n本译文只供学习研究参考之用，不得用于商业用途。ApacheCN 保留对此版本译文的署名权及其它相关权利。\n\n## 下载\n\n### Docker\n\n```\ndocker pull apachecn0\u002Ffe4ml-zh\ndocker run -tid -p \u003Cport>:80 apachecn0\u002Ffe4ml-zh\n# 访问 http:\u002F\u002Flocalhost:{port} 查看文档\n```\n\n### PYPI\n\n```\npip install fe4ml-zh\nfe4ml-zh \u003Cport>\n# 访问 http:\u002F\u002Flocalhost:{port} 查看文档\n```\n\n### NPM\n\n```\nnpm install -g fe4ml-zh\nfe4ml-zh \u003Cport>\n# 访问 http:\u002F\u002Flocalhost:{port} 查看文档\n```\n\n## 赞助我们\n\n\u003Cimg src=\"http:\u002F\u002Fwww.apachecn.org\u002Fimg\u002Fabout\u002Fdonate.jpg\" alt=\"微信&支付宝\" \u002F>","# fe4ml-zh 快速上手指南\n\n本指南旨在帮助开发者快速部署并阅读《面向机器学习的特征工程》中文译本。\n\n## 环境准备\n\n*   **操作系统**：Linux、macOS 或 Windows（需安装 Docker Desktop 或 Python\u002FNode.js 环境）\n*   **前置依赖**（任选其一）：\n    *   **Docker**：版本 20.10+\n    *   **Python**：版本 3.6+，包含 `pip` 包管理工具\n    *   **Node.js**：版本 12+，包含 `npm` 包管理工具\n*   **网络建议**：国内用户若拉取 Docker 镜像或安装 PyPI\u002FNPM 包较慢，建议配置相应的国内镜像源（如阿里云 Docker 镜像加速器、清华\u002F中科大 PyPI 源、淘宝 NPM 源）。\n\n## 安装步骤\n\n您可以根据本地环境选择以下任意一种方式进行安装：\n\n### 方式一：使用 Docker（推荐，环境隔离最干净）\n\n```bash\ndocker pull apachecn0\u002Ffe4ml-zh\ndocker run -tid -p 8080:80 apachecn0\u002Ffe4ml-zh\n```\n\n### 方式二：使用 Python (PYPI)\n\n```bash\npip install fe4ml-zh\n```\n\n### 方式三：使用 Node.js (NPM)\n\n```bash\nnpm install -g fe4ml-zh\n```\n\n## 基本使用\n\n安装完成后，启动服务并在浏览器中访问文档。\n\n### 1. 启动服务\n\n*   **Docker 用户**：\n    已在安装步骤中通过 `-p 8080:80` 映射端口，服务已自动运行。\n    \n*   **PYPI 用户**：\n    ```bash\n    fe4ml-zh 8080\n    ```\n\n*   **NPM 用户**：\n    ```bash\n    fe4ml-zh 8080\n    ```\n    *(注：上述命令中的 `8080` 为自定义端口，可替换为其他未被占用的端口号)*\n\n### 2. 访问文档\n\n打开浏览器，访问以下地址即可在线阅读全书内容：\n\n```text\nhttp:\u002F\u002Flocalhost:8080\n```\n\n您将看到包含引言、数字技巧、文本数据处理、特征缩放、类别特征、降维（PCA）、非线性特征提取及深度学习等完整章节的目录结构。","某电商数据科学团队正致力于构建用户评论情感分析模型，以自动识别产品反馈中的负面情绪并预警。\n\n### 没有 fe4ml-zh 时\n- 团队成员需自行搜集零散的英文技术博客和论坛帖子来学习特征工程，语言障碍导致理解偏差大，学习效率极低。\n- 在处理文本数据时，缺乏系统的“分块”与“过滤”指导，直接套用基础词袋模型，导致噪声过多且关键语义丢失。\n- 面对类别特征编码和 TF-IDF 缩放等进阶技巧，只能靠试错调整参数，反复实验耗费了大量计算资源和时间。\n- 团队内部缺乏统一的知识库，新人入职后难以快速上手，老员工经验无法有效沉淀为标准化流程。\n\n### 使用 fe4ml-zh 后\n- 团队直接依托 fe4ml-zh 完整的中文译本目录，系统化掌握了从简单数字技巧到非线性特征提取的全套方法论。\n- 参照书中“文本数据”章节的最佳实践，优化了预处理流程，显著提升了特征纯度，使模型对细微情感变化的捕捉更敏锐。\n- 利用书中关于“特征缩放”和“类别特征”的详解，快速确定了最优参数组合，将模型迭代周期从数周缩短至几天。\n- 通过部署 fe4ml-zh 的在线文档服务，建立了团队内部的标准学习资料库，新成员可自助查阅，大幅降低了沟通与培训成本。\n\nfe4ml-zh 将晦涩的英文原著转化为结构化的中文实战指南，帮助团队跨越语言与知识壁垒，实现了特征工程能力的标准化与高效跃升。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapachecn_fe4ml-zh_43449c48.jpg","apachecn","ApacheCN","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fapachecn_1f7b7482.png","由 iBooker 建立的公益性文档和教程翻译项目",null,"apachecn@163.com","https:\u002F\u002Fapachecn.org","https:\u002F\u002Fgithub.com\u002Fapachecn",[81,85,89,93,97],{"name":82,"color":83,"percentage":84},"JavaScript","#f1e05a",49.5,{"name":86,"color":87,"percentage":88},"CSS","#663399",46.3,{"name":90,"color":91,"percentage":92},"HTML","#e34c26",4,{"name":94,"color":95,"percentage":96},"Shell","#89e051",0.1,{"name":98,"color":99,"percentage":96},"Dockerfile","#384d54",2554,673,"2026-04-09T13:24:10","NOASSERTION",1,"Linux, macOS, Windows","未说明",{"notes":108,"python":106,"dependencies":109},"本项目为《Feature Engineering for Machine Learning》的中文翻译文档，非可执行机器学习模型。支持通过 Docker、PyPI (pip) 或 NPM 安装并启动本地 Web 服务查看文档。运行仅需基础容器环境或 Python\u002FNode.js 环境，无特殊 GPU、大内存或特定深度学习库需求。",[],[14],[112,113,114,115],"python","feature-engineering","machine-learning","book","2026-03-27T02:49:30.150509","2026-04-13T06:11:01.511995",[],[]]