[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-bangoc123--learn-machine-learning-in-two-months":3,"tool-bangoc123--learn-machine-learning-in-two-months":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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[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":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":77,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":105,"github_topics":106,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":118,"updated_at":119,"faqs":120,"releases":151},9333,"bangoc123\u002Flearn-machine-learning-in-two-months","learn-machine-learning-in-two-months","Những kiến thức cần thiết để học tốt Machine Learning trong vòng 2 tháng. Essential Knowledge for learning Machine Learning in two months.","learn-machine-learning-in-two-months 是一套专为初学者设计的机器学习与深度学习系统化学习路径，旨在帮助用户在两个月内从零掌握核心技能。该资源由越南首位谷歌机器学习专家（Google Developer Expert）创建，解决了新手在面对庞大知识体系时难以入手、缺乏实战指导的痛点。\n\n内容涵盖从必要的数学基础、Python 编程技巧，到 Numpy、TensorFlow、Keras 等主流框架的深度应用。其独特亮点在于强调“透过现象看本质”，不仅教授如何调用高级库，更引导用户用纯 Python 实现算法以理解底层逻辑。课程结构清晰，包含回归与分类等经典模型详解、数据可视化、生产环境部署以及 TensorFlow.js 浏览器端应用等前沿实战环节，并辅以每日算法练习和转移学习案例。\n\n这套教程非常适合希望转行 AI 的开发者、计算机专业学生以及对技术原理有浓厚兴趣的自学者。无论你是想夯实理论基础，还是寻求将模型落地到实际项目的完整指南，learn-machine-learning-in-two-months 都能提供循序渐进的支持，助你高效构建从理论到","learn-machine-learning-in-two-months 是一套专为初学者设计的机器学习与深度学习系统化学习路径，旨在帮助用户在两个月内从零掌握核心技能。该资源由越南首位谷歌机器学习专家（Google Developer Expert）创建，解决了新手在面对庞大知识体系时难以入手、缺乏实战指导的痛点。\n\n内容涵盖从必要的数学基础、Python 编程技巧，到 Numpy、TensorFlow、Keras 等主流框架的深度应用。其独特亮点在于强调“透过现象看本质”，不仅教授如何调用高级库，更引导用户用纯 Python 实现算法以理解底层逻辑。课程结构清晰，包含回归与分类等经典模型详解、数据可视化、生产环境部署以及 TensorFlow.js 浏览器端应用等前沿实战环节，并辅以每日算法练习和转移学习案例。\n\n这套教程非常适合希望转行 AI 的开发者、计算机专业学生以及对技术原理有浓厚兴趣的自学者。无论你是想夯实理论基础，还是寻求将模型落地到实际项目的完整指南，learn-machine-learning-in-two-months 都能提供循序渐进的支持，助你高效构建从理论到实践的知识闭环。","## Lộ trình học Machine Learning, Deep Learning cho người mới bắt đầu\n\nTôi đã từng học Machine Learning trong vòng 2 tháng và tôi tin bạn cũng có thể làm được. \n\nLộ trình sẽ giúp bạn nắm chắc công nghệ này từ cơ bản đến nâng cao, xây dựng Machine Learning model từ python thuần cho đến các thư viện cao cấp như TensorFlow hay Keras. Đi sâu phân tích bản chất vấn đề là giá trị cốt lõi của khóa học này.\n\n**P\u002FS:** Hãy để lại **1 star** để team có động lực xuất bản các phần tiếp theo và cũng đừng quên chia sẻ tới bạn bè của bạn.\n\n\nTôi là Founder ProtonX và VietAI Hà Nội, tôi sản xuất nội dung giúp đỡ cộng đồng học AI. :D\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_readme_ab72dffd2b12.jpg\" width=500>\n\n\nNgày 10\u002F12\u002F2019, sau 2 vòng phỏng vấn, Google chính thức công nhận tôi là Google Developer Expert in Machine Learning đầu tiên tại Việt Nam.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_readme_d69245e15210.png\" width=500>\n\nTìm tôi [ở đây](https:\u002F\u002Fdevelopers.google.com\u002Fcommunity\u002Fexperts\u002Fdirectory\u002Fprofile\u002Fprofile-ngoc-ba).\n\nVideo giới thiệu về Machine Learning:\n\n\u003Ca href=\"http:\u002F\u002Fwww.youtube.com\u002Fwatch?feature=player_embedded&v=j5HxIJoOJms\n\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_readme_d2f5461b406a.png\" \nalt=\"Machine Learning Introduction\" width=\"300\" height=\"168.5\" border=\"10\" \u002F>\u003C\u002Fa>\n\nGiới thiệu về thành tựu và mục tiêu của VietAI [tại đây](https:\u002F\u002Fdocs.google.com\u002Fpresentation\u002Fd\u002F1A_oDWZyC6NhYPeHNrWJbESxSPUT7f0Gg-PLfXDtVKus\u002Fedit?usp=sharing). \n\n\n**Xem tôi trên [Youtube](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCrZIaMmLGsq_J-4Z1Qww0cw)**\n\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCrZIaMmLGsq_J-4Z1Qww0cw\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_readme_8522159d862b.png\" width=200 height=200> \u003C\u002Fa>\n\n\n### Mục lục\n----\n- \u003Ca href=\".\u002Fmath\">1. Kiến thức toán học cần thiết\u003C\u002Fa> (Hoàn tất)\n- \u003Ca href=\".\u002Fpython-tutorials\">2. Kỹ năng lập trình Python\u003C\u002Fa> (Hoàn tất)\n- \u003Ca href=\".\u002Fnumpy\">3. Thư viện Numpy và TensorFlow\u003C\u002Fa> (Hoàn tất)\n- \u003Ca href=\".\u002Fvisualize\">4. Hiển thị dữ liệu và các công cụ\u003C\u002Fa> (Đang tiến hành)\n    - [Dữ liệu bảng](.\u002Fvisualize\u002Fpandas)\n- \u003Ca href=\".\u002Fmodels\u002Flinear-regression\u002F\">5. Bài toán hồi quy (Regression)\u003C\u002Fa> (Hoàn tất)\n- \u003Ca href=\".\u002Fmodels\u002Flogistic-regression\">6. Bài toán phân loại (Classification)\u003C\u002Fa> (Hoàn tất)\n- \u003Ca href=\".\u002Fdeployment\u002Fdistributed-tensorflow\">7. Triển khai (Deploy) Machine Learning Model trên Production\u003C\u002Fa> (Hoàn tất)\n- \u003Ca href=\".\u002Fdeployment\u002Ftensorflow-browser\">8. Machine Learning trên trình duyệt và TensorFlowJS\u003C\u002Fa> (Hoàn tất)\n- \u003Ca href=\".\u002Ftf2.0\">9. Cập nhật mới nhất\u003C\u002Fa>\n    - [TensorFlow 2.0](https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months\u002Ftree\u002Fmaster\u002Ftf2.0)\n    - [Trải nghiệm PaperSpace Gradient Community](https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months\u002Ftree\u002Fmaster\u002Farticles\u002FGradientPaperSpace.MD)\n- \u003Ca href=\".\u002Falgorithms\">10. Ôn luyện thuật toán mỗi ngày\u003C\u002Fa> (Đang tiến hành)\n    - [Backtracking Algorithm](.\u002Falgorithms\u002Fgraph\u002Fbacktracking\u002Fbacktracking.MD)\n- \u003Ca href=\".\u002Falgorithms\">11. Một số ứng dụng triển khai thực tế\u003C\u002Fa> (Đang tiến hành)\n    - [Ứng dụng Transfer Learning](https:\u002F\u002Fprotonx.app\u002Ftransfer-learning)\n\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_readme_6308ce00cab0.png\" width=\"200\" height=\"200\">\n\n\u003Ca>  12. [Video] AI cơ bản + Luyện thi chứng chỉ Tensorflow \u003C\u002Fa>\n* 1. Giới thiệu Machine Learning\u002F Deep Learning\n    + [Video](https:\u002F\u002Fyoutu.be\u002Fj5HxIJoOJms)\n* 2. Xây dựng bài toán nhận diện giao thông (bao gồm tăng cường data)\n    - [Video:  Xử lý dữ liệu và xây dựng model ](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=EGkRT-kg6zY)\n    - [Video: Huấn luyện và tiến hành dự đoán](https:\u002F\u002Fyoutu.be\u002F98dZscH8b-0)\n    - [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1rYfyDAYP-jvkCLfMotmCQarQahLNJkTa)\n* 3. Xây dựng lớp tích chập \u002F MaxPooling\n    + [Video](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=UpABcXXImJ4)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F13FoUwnbXAc01LY35O7D88dpjib73D2R2?usp=sharing)\n* 4. Tự động đánh nhãn và xử lý ảnh nhiều chiều\n    + [Video](https:\u002F\u002Fyoutu.be\u002Fee9tF9xEf04)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1PCABQRqads5AcJJQcKb_FeVJhAZ61H5V?usp=sharing)\n* 5. Transfer Learning với InceptionNet\n    + [Video](https:\u002F\u002Fyoutu.be\u002FY-4KLFt_c6Y)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1M1VlOh4wOQ6od5gvDfVeVQlAdjUgvOfU?usp=sharing)\n* 6. Tokenizations and Sequence\n    + [Video](https:\u002F\u002Fyoutu.be\u002FFT1ZZdcur5A)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1cVoH2W3TCoNshM-QI9Sbgyzlcpfqq4BR?usp=sharing)\n* 7. Word2Vec \n    + [Video](https:\u002F\u002Fyoutu.be\u002FakRbuXokLSo)\n* 8. Thực hành xây dựng Embeddings\n    + [Video](https:\u002F\u002Fyoutu.be\u002FJIafLwlGzBA)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1jhXYAkNjiFRmFc4_E-s8aAkXPNN-QaA2?usp=sharing)\n* 9. Mạng RNN \n    + [Video](https:\u002F\u002Fyoutu.be\u002Ft0EoeTYU-fc)\n* 10. Thực hành xây dựng mạng RNN, LSTM, Bi-directional\n    + [Video](https:\u002F\u002Fyoutu.be\u002FX6bYTZJkEDQ)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1vBHZsuGlMPlF7VGqACcmFjVDHjSZl0Qj?usp=sharing)\n* 11. Tính toán số lượng tham số mạng RNN\n    + [Video](https:\u002F\u002Fyoutu.be\u002FIfnxru7brak)\n* 12. Bài toán sinh từ\n    + [Video](https:\u002F\u002Fyoutu.be\u002F-gyb1dpeGCA)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1uPcO54klRFNkk9o-3Ua6F8ZKQgpzCz1Y?usp=sharing)\n* 13. Giới thiệu dữ liệu Time series\n    + [Video](https:\u002F\u002Fyoutu.be\u002FIbFqMxVuFLM)\n* 14. Xây dựng Time Series dataset bằng Tensorflow Dataset\n    + [Video](https:\u002F\u002Fyoutu.be\u002FTwyNFGTUoY4)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F19b5dUBUrvKCWC1ckrHKB1uvEYpgU2DUB?usp=sharing)\n* 15. Sử dụng RNN để giải bài toán dữ liệu thời gian\n    + [Video](https:\u002F\u002Fyoutu.be\u002FzCxMLNzPa1M)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1B0fQJfqutwlbFElEGKtd7oH9QXL2X7ly?usp=sharing)\n","## 机器学习、深度学习初学者学习路线\n\n我曾经在两个月内学完机器学习，我相信你也可以做到。\n\n这条学习路线将帮助你从基础到进阶扎实掌握这项技术，从纯 Python 打造机器学习模型，到使用 TensorFlow 或 Keras 等高级库。深入剖析问题的本质，正是本课程的核心价值。\n\n**附注：** 请留下 **1 星**，以激励团队继续发布后续内容，也别忘了分享给你的朋友哦。\n\n我是 ProtonX 和 VietAI 河内的创始人，我制作内容来帮助社区学习人工智能。:D\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_readme_ab72dffd2b12.jpg\" width=500>\n\n\n2019年12月10日，经过两轮面试，谷歌正式授予我越南首位机器学习领域 Google 开发者专家称号。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_readme_d69245e15210.png\" width=500>\n\n你可以在 [这里](https:\u002F\u002Fdevelopers.google.com\u002Fcommunity\u002Fexperts\u002Fdirectory\u002Fprofile\u002Fprofile-ngoc-ba) 找到我的资料。\n\n关于机器学习的介绍视频：\n\n\u003Ca href=\"http:\u002F\u002Fwww.youtube.com\u002Fwatch?feature=player_embedded&v=j5HxIJoOJms\n\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_readme_d2f5461b406a.png\" \nalt=\"Machine Learning Introduction\" width=\"300\" height=\"168.5\" border=\"10\" \u002F>\u003C\u002Fa>\n\n关于 VietAI 的成就与目标，请参阅 [这里](https:\u002F\u002Fdocs.google.com\u002Fpresentation\u002Fd\u002F1A_oDWZyC6NhYPeHNrWJbESxSPUT7f0Gg-PLfXDtVKus\u002Fedit?usp=sharing)。\n\n\n**在 [YouTube](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCrZIaMmLGsq_J-4Z1Qww0cw) 上观看我**\n\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCrZIaMmLGsq_J-4Z1Qww0cw\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_readme_8522159d862b.png\" width=200 height=200> \u003C\u002Fa>\n\n\n### 目录\n----\n- \u003Ca href=\".\u002Fmath\">1. 必要的数学知识\u003C\u002Fa>（已完成）\n- \u003Ca href=\".\u002Fpython-tutorials\">2. Python 编程技能\u003C\u002Fa>（已完成）\n- \u003Ca href=\".\u002Fnumpy\">3. Numpy 和 TensorFlow 库\u003C\u002Fa>（已完成）\n- \u003Ca href=\".\u002Fvisualize\">4. 数据可视化及工具\u003C\u002Fa>（进行中）\n    - [表格数据](.\u002Fvisualize\u002Fpandas)\n- \u003Ca href=\".\u002Fmodels\u002Flinear-regression\u002F\">5. 回归问题\u003C\u002Fa>（已完成）\n- \u003Ca href=\".\u002Fmodels\u002Flogistic-regression\">6. 分类问题\u003C\u002Fa>（已完成）\n- \u003Ca href=\".\u002Fdeployment\u002Fdistributed-tensorflow\">7. 在生产环境中部署机器学习模型\u003C\u002Fa>（已完成）\n- \u003Ca href=\".\u002Fdeployment\u002Ftensorflow-browser\">8. 浏览器端机器学习与 TensorFlow.js\u003C\u002Fa>（已完成）\n- \u003Ca href=\".\u002Ftf2.0\">9. 最新更新\u003C\u002Fa>\n    - [TensorFlow 2.0](https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months\u002Ftree\u002Fmaster\u002Ftf2.0)\n    - [体验 PaperSpace Gradient Community](https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months\u002Ftree\u002Fmaster\u002Farticles\u002FGradientPaperSpace.MD)\n- \u003Ca href=\".\u002Falgorithms\">10. 每日算法练习\u003C\u002Fa>（进行中）\n    - [回溯算法](.\u002Falgorithms\u002Fgraph\u002Fbacktracking\u002Fbacktracking.MD)\n- \u003Ca href=\".\u002Falgorithms\">11. 若干实际应用案例\u003C\u002Fa>（进行中）\n    - [迁移学习应用](https:\u002F\u002Fprotonx.app\u002Ftransfer-learning)\n\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_readme_6308ce00cab0.png\" width=\"200\" height=\"200\">\n\n\u003Ca> 12. [视频] 基础 AI + TensorFlow 认证考试辅导 \u003C\u002Fa>\n* 1. 机器学习\u002F深度学习简介\n    + [视频](https:\u002F\u002Fyoutu.be\u002Fj5HxIJoOJms)\n* 2. 构建交通标志识别问题（包含数据增强）\n    - [视频：数据处理与模型构建](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=EGkRT-kg6zY)\n    - [视频：训练与预测](https:\u002F\u002Fyoutu.be\u002F98dZscH8b-0)\n    - [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1rYfyDAYP-jvkCLfMotmCQarQahLNJkTa)\n* 3. 构建卷积层 \u002F MaxPooling\n    + [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=UpABcXXImJ4)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F13FoUwnbXAc01LY35O7D88dpjib73D2R2?usp=sharing)\n* 4. 自动标注与多维图像处理\n    + [视频](https:\u002F\u002Fyoutu.be\u002Fee9tF9xEf04)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1PCABQRqads5AcJJQcKb_FeVJhAZ61H5V?usp=sharing)\n* 5. 使用 InceptionNet 进行迁移学习\n    + [视频](https:\u002F\u002Fyoutu.be\u002FY-4KLFt_c6Y)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1M1VlOh4wOQ6od5gvDfVeVQlAdjUgvOfU?usp=sharing)\n* 6. Tokenization 与序列\n    + [视频](https:\u002F\u002Fyoutu.be\u002FFT1ZZdcur5A)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1cVoH2W3TCoNshM-QI9Sbgyzlcpfqq4BR?usp=sharing)\n* 7. Word2Vec\n    + [视频](https:\u002F\u002Fyoutu.be\u002FakRbuXokLSo)\n* 8. 实践构建 Embeddings\n    + [视频](https:\u002F\u002Fyoutu.be\u002FJIafLwlGzBA)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1jhXYAkNjiFRmFc4_E-s8aAkXPNN-QaA2?usp=sharing)\n* 9. RNN 网络\n    + [视频](https:\u002F\u002Fyoutu.be\u002Ft0EoeTYU-fc)\n* 10. 实践构建 RNN、LSTM、双向网络\n    + [视频](https:\u002F\u002Fyoutu.be\u002FX6bYTZJkEDQ)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1vBHZsuGlMPlF7VGqACcmFjVDHjSZl0Qj?usp=sharing)\n* 11. 计算 RNN 网络参数量\n    + [视频](https:\u002F\u002Fyoutu.be\u002FIfnxru7brak)\n* 12. 文本生成问题\n    + [视频](https:\u002F\u002Fyoutu.be\u002F-gyb1dpeGCA)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1uPcO54klRFNkk9o-3Ua6F8ZKQgpzCz1Y?usp=sharing)\n* 13. 时间序列数据简介\n    + [视频](https:\u002F\u002Fyoutu.be\u002FIbFqMxVuFLM)\n* 14. 使用 TensorFlow Dataset 构建时间序列数据集\n    + [视频](https:\u002F\u002Fyoutu.be\u002FTwyNFGTUoY4)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F19b5dUBUrvKCWC1ckrHKB1uvEYpgU2DUB?usp=sharing)\n* 15. 使用 RNN 解决时间序列问题\n    + [视频](https:\u002F\u002Fyoutu.be\u002FzCxMLNzPa1M)\n    + [Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1B0fQJfqutwlbFElEGKtd7oH9QXL2X7ly?usp=sharing)","# learn-machine-learning-in-two-months 快速上手指南\n\n本指南基于越南 AI 专家 Ngoc Ba（Google GDE）开源的\"2 个月机器学习速成”项目整理。该项目强调从数学原理到代码实现的深度理解，适合希望系统掌握 Machine Learning (ML) 和 Deep Learning (DL) 的开发者。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Windows, macOS 或 Linux (推荐 Ubuntu)。\n*   **Python 版本**：Python 3.6 及以上（推荐 3.8+）。\n*   **核心依赖库**：\n    *   `NumPy` (数值计算)\n    *   `Pandas` (数据处理)\n    *   `Matplotlib` \u002F `Seaborn` (数据可视化)\n    *   `TensorFlow` 2.0+ 或 `Keras` (深度学习框架)\n    *   `Scikit-learn` (传统机器学习算法)\n*   **开发工具**：推荐安装 **Jupyter Notebook** 或 **JupyterLab**，以便直接运行项目中的 `.ipynb` 示例文件。也可使用 **Google Colab** 在线运行，无需本地配置 GPU。\n\n> **国内加速建议**：\n> 由于网络原因，建议使用清华源或阿里源安装 Python 包，并考虑使用 Google Colab 或国内的 AI Studio (如百度飞桨、ModelArts) 进行云端训练。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n打开终端，执行以下命令获取源码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months.git\ncd learn-machine-learning-in-two-months\n```\n\n### 2. 创建虚拟环境 (推荐)\n为了避免依赖冲突，建议创建独立的虚拟环境：\n\n```bash\npython -m venv ml_env\n# Windows\nml_env\\Scripts\\activate\n# macOS\u002FLinux\nsource ml_env\u002Fbin\u002Factivate\n```\n\n### 3. 安装依赖\n项目未提供统一的 `requirements.txt`，根据目录结构手动安装核心库。推荐使用国内镜像源加速：\n\n```bash\npip install numpy pandas matplotlib seaborn scikit-learn tensorflow jupyterlab -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*注：若需运行特定的高级示例（如 TensorFlowJS 或分布式训练），请参考对应子目录下的说明单独安装额外依赖。*\n\n## 基本使用\n\n本项目按模块划分，从基础数学到复杂模型部署。以下是快速体验一个完整机器学习流程（以线性回归为例）的步骤：\n\n### 1. 启动 Jupyter Lab\n在项目根目录下启动服务：\n\n```bash\njupyter lab\n```\n\n### 2. 导航至示例目录\n在浏览器打开的界面中，进入 `models\u002Flinear-regression\u002F` 文件夹。该目录包含从零实现线性回归以及使用库实现的教程。\n\n### 3. 运行最简单的示例\n打开对应的 `.ipynb` 文件（例如 `linear-regression-from-scratch.ipynb`），按顺序执行单元格。\n\n以下是一个基于该项目理念的**最小化代码示例**（模拟从零构建模型的核心逻辑）：\n\n```python\nimport numpy as np\nimport matplotlib.pyplot as plt\n\n# 1. 生成模拟数据 (y = 2x + noise)\nX = 2 * np.random.rand(100, 1)\ny = 4 + 3 * X + np.random.randn(100, 1)\n\n# 2. 添加偏置项 (Bias term)\nX_b = np.c_[np.ones((100, 1)), X]\n\n# 3. 使用正规方程 (Normal Equation) 直接求解参数 theta\n# theta = (X^T * X)^(-1) * X^T * y\ntheta_best = np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y)\n\nprint(f\"截距: {theta_best[0][0]:.2f}, 斜率: {theta_best[1][0]:.2f}\")\n\n# 4. 预测与可视化\nX_new = np.array([[0], [2]])\nX_new_b = np.c_[np.ones((2, 1)), X_new]\ny_predict = X_new_b.dot(theta_best)\n\nplt.plot(X_new, y_predict, \"r-\", label=\"Prediction\")\nplt.plot(X, y, \"b.\", label=\"Data\")\nplt.legend()\nplt.show()\n```\n\n### 4. 进阶学习路径\n按照项目 `README` 中的目录顺序逐步深入：\n1.  **数学基础** (`.\u002Fmath`)：复习微积分与线性代数。\n2.  **Python 与 Numpy** (`.\u002Fpython-tutorials`, `.\u002Fnumpy`)：掌握底层数组操作。\n3.  **核心模型** (`.\u002Fmodels`)：依次学习回归、分类问题。\n4.  **实战部署** (`.\u002Fdeployment`)：学习如何将模型部署到生产环境或浏览器 (TensorFlow.js)。\n5.  **视频课程**：参考原文第 12 部分提供的 YouTube 视频链接（需网络环境支持），配合 Notebook 进行交通识别、NLP 等实战练习。","一名刚转行 AI 的初级数据分析师，需要在两个月内从零掌握机器学习核心技能，以独立承担公司的用户流失预测项目。\n\n### 没有 learn-machine-learning-in-two-months 时\n- **学习路径混乱**：面对海量的数学公式和编程教程不知从何下手，花费大量时间筛选资料却难以构建系统知识体系。\n- **理论与实践脱节**：虽然看懂了线性回归等算法原理，但无法用纯 Python 手写实现，更不知道如何过渡到 TensorFlow 或 Keras 等工业级框架。\n- **落地能力缺失**：模型训练完成后，对如何将其部署到生产环境（Production）或在浏览器端运行毫无头绪，导致项目止步于实验阶段。\n- **缺乏实战指引**：遇到具体业务问题时找不到对应的代码案例参考，只能盲目试错，严重拖慢开发进度。\n\n### 使用 learn-machine-learning-in-two-months 后\n- **路线清晰高效**：直接跟随其规划的\"2 个月速成路线图”，按顺序攻克数学基础、Python 编程及 Numpy 核心库，快速建立完整知识骨架。\n- **深度理解本质**：通过从“纯 Python 手写算法”到“高级框架调用”的渐进式教程，真正理解了模型底层逻辑，不再只会调包。\n- **全流程打通**：依据其关于模型部署和 TensorFlowJS 的章节，顺利将流失预测模型上线至生产环境，并实现了浏览器端的实时推理。\n- **实战即学即用**：参考其中关于迁移学习和分类问题的实际代码库，迅速解决了业务中的数据特征工程难题，大幅缩短研发周期。\n\nlearn-machine-learning-in-two-months 的核心价值在于提供了一条从理论本质到工业落地的最短路径，让初学者能在极短时间内具备独立解决真实业务问题的能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbangoc123_learn-machine-learning-in-two-months_ab72dffd.jpg","bangoc123","Ngoc Ba","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fbangoc123_e1755bad.jpg","ProtonX Founder",null,"https:\u002F\u002Fprotonx.co\u002F","https:\u002F\u002Fgithub.com\u002Fbangoc123",[81,85],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",100,{"name":86,"color":87,"percentage":88},"C++","#f34b7d",0,2143,675,"2026-04-16T15:33:14",1,"","未说明（内容涉及 TensorFlow、Keras 及深度学习模型训练，通常建议使用支持 CUDA 的 NVIDIA GPU，但 README 未明确具体型号或版本要求）","未说明",{"notes":97,"python":98,"dependencies":99},"该项目是一个机器学习学习路线图而非单一软件工具。内容涵盖从基础数学、Python 编程到使用 TensorFlow\u002FKeras 构建模型及部署。部分教程提供了 Google Colab Notebook 链接，可直接在云端运行而无需本地配置特定环境。项目主要基于 TensorFlow 2.0 生态。","未说明（内容提及使用 Python 及 TensorFlow 2.0，隐含需要 Python 3 环境）",[100,101,102,103,104],"TensorFlow","Keras","Numpy","Pandas","TensorFlowJS",[14],[107,108,109,110,111,112,113,114,115,116,117],"machine-learning","tensorflow","tensorflow-tutorials","tensorflow-experiments","machine-learning-tutorials","python-tutorials","javascript","python","python3","numpy","jupyter-notebook","2026-03-27T02:49:30.150509","2026-04-19T06:02:10.702859",[121,126,131,136,141,146],{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},41869,"斯坦福 CS229 课程适合学习机器学习吗？","是的，这是一门很好的机器学习课程。如果您想进一步学习深度学习，建议参考以下两门课程：\n1. 斯坦福自然语言处理与深度学习 (Natural Language Processing with Deep Learning): http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002F\n2. 斯坦福视觉识别卷积神经网络 (Convolutional Neural Networks for Visual Recognition): http:\u002F\u002Fcs231n.stanford.edu\u002F","https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months\u002Fissues\u002F4",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},41870,"有哪些推荐的机器学习中文学习资料或路线图？","推荐参考 machinelearningcoban.com 网站，该站点提供了详细的机器学习学习路线、必备知识清单以及其他相关的网页和博客资源。\n参考链接：https:\u002F\u002Fmachinelearningcoban.com\u002F2016\u002F12\u002F26\u002Fintroduce\u002F","https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months\u002Fissues\u002F3",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},41871,"在 Windows 上手动通过 pip 安装 Python 库经常报错，有什么更好的建议吗？","建议直接使用 Anaconda 代替手动通过 pip 安装库。在 Windows 上使用 pip 安装经常会遇到难以解决的环境错误，而 Anaconda 可以预先配置好环境，更加节省时间且稳定。维护者已同意将在文档中增加关于使用 Anaconda 的相关部分。","https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months\u002Fissues\u002F2",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},41872,"如何优化 Python Graph 类中的 addEdge 函数代码？","原代码算法较为复杂，建议修改为以下更简单高效的实现方式：\n```python\ndef addEdge(self, edge):\n    if type(edge) is set:\n        if edge not in self.edges():\n            nodes = self.graph.keys()\n            (e_start, e_end) = tuple(edge)\n            # 如果 start 节点不存在则添加\n            if e_start not in nodes:\n                self.graph[e_start] = []\n            # 如果 end 节点不存在则添加\n            if e_end not in nodes:\n                self.graph[e_end] = []\n            # 现在两个节点都确保存在于图中，添加双向边\n            self.graph[e_start].append(e_end)\n            self.graph[e_end].append(e_start)\n    else:\n        print(\"Edge type must be set\")\n```\n此逻辑确保了节点的自动创建和边的正确添加。","https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months\u002Fissues\u002F5",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},41873,"冒泡排序（Bubble Sort）的输出结果是否正确？","有用户指出代码输出可能存在错误，正确的排序结果应为降序排列：[89, 20, 16, 10, 6]。维护者已确认将重新检查相关代码以修复此问题。","https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months\u002Fissues\u002F6",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},41874,"这份机器学习文档是否会持续更新？","是的，维护者表示会每天对文档进行更新和完善，以确保内容的完整性和时效性。","https:\u002F\u002Fgithub.com\u002Fbangoc123\u002Flearn-machine-learning-in-two-months\u002Fissues\u002F1",[]]