ml-glossary
ml-glossary 是一个致力于普及机器学习知识的开源术语词典项目。面对机器学习领域概念繁杂、资料分散的现状，它提供了一个集中且标准化的查询平台。无论是刚入门的学生，还是经验丰富的算法工程师，都能在这里找到清晰准确的定义。
为了让抽象的理论更易理解，ml-glossary 在编写风格上独具匠心。除了要求每条释义必须简洁并附带文献引用外，它还特别鼓励贡献者加入可视化图表、Python 代码片段以及 LaTeX 数学公式。这种图文结合的方式，能有效降低理解门槛。项目基于 Sphinx 框架开发，采用 RST 格式管理文档，确保了内容的结构化和可维护性。
作为一个活跃的社区项目，ml-glossary 欢迎所有人参与共建。用户可以通过提交 Pull Request 或直接发起 Issue 来完善词条内容。目前该项目已拥有可观的月活用户量，是构建个人知识库或进行技术调研时值得信赖的参考资源。
使用场景
某互联网公司的数据科学团队正在为五名新入职的算法实习生准备内部培训材料，急需统一核心机器学习术语的解释标准。
没有 ml-glossary 时
- 实习生在搜索“过拟合”等概念时，面对海量分散的博客文章难以辨别内容的准确性与时效性。
- 团队成员对同一术语的理解存在偏差，导致代码实现逻辑和文档描述风格不一致，增加协作摩擦。
- 缺乏直观的公式推导和可视化图表，新人理解梯度下降、反向传播等抽象概念耗时过长且容易出错。
- 查阅资料时需反复核对引用来源，无法快速确认理论依据是否来自权威论文或官方教程。
使用 ml-glossary 后
- ml-glossary 提供了标准化的术语解释库，新人可直接查阅权威定义，大幅减少了重复沟通和确认的时间。
- 内置的 Python 代码片段和 LaTeX 数学公式让抽象概念具象化，帮助新人快速掌握核心算法的实现细节。
- 每个条目都附带具体的论文或教程引用，确保知识点的准确性和可追溯性，避免传播错误信息。
- 社区维护的丰富视觉素材帮助快速建立直观认知，无需成员自行花费大量时间绘制复杂的原理图。
ml-glossary 通过整合标准化内容与可视化资源，显著提升了团队知识传递的效率与准确性。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
机器学习 (Machine Learning) 术语表
寻找共同维护者！
抱歉我没有及时回复。 :( 我一直在 Cruise 埋头工作，为自动驾驶汽车构建机器学习基础设施 (ML infra)，已经很久没有审查这个仓库了。看来我们现在拥有了 5.4 万月活跃用户，我认为这个仓库值得更多关注。如果你有兴趣加入成为拥有合并拉取请求 (PR) 权限的维护者，请告诉我。
如何贡献
- 克隆仓库
git clone https://github.com/bfortuner/ml-glossary.git
- 安装依赖
# 假设你已经安装了常用库：numpy, scipy 等..
pip install sphinx sphinx-autobuild
pip install sphinx_rtd_theme
pip install recommonmark
如果已安装 python-3.x，请使用：
pip3 install sphinx sphinx-autobuild
pip3 install sphinx_rtd_theme
pip3 install recommonmark
- 预览更改
如果你使用 make build。
cd ml-glossary
cd docs
make html
对于 Windows。
cd ml-glossary
cd docs
build.bat html
通过打开
_build/目录中的index.html文件来验证你的更改
时间紧迫？
随时可以提出 问题 (Issue) 来修正错误或贡献内容，无需提交拉取请求。
风格指南
术语表中的每个条目必须至少包含以下内容：
- 简洁的解释 - 尽可能短，但不能更短
- 引用 - 论文、教程等。
优秀的条目还将包括：
- 可视化内容 - 图表、动画、图片
- 代码 - python/numpy 片段、类或函数
- 公式 - 使用 LaTeX 格式化
术语表的目标是以最易访问的方式呈现内容，重点强调可视化和交互式图表。话虽如此，本着快速原型的精神，提交没有可视化内容或代码的“草稿”是可以接受的。我们期望其他读者会随着时间的推移完善你的提交。
为什么是 RST (reStructuredText) 而不是 Markdown？
RST 功能更多。对于大型和复杂的文档项目，这是合乎逻辑的选择。
主要贡献者
我们是 Distill 的忠实粉丝，我们喜欢他们为高质量提交提供奖励的想法。我们没有他们那么多钱，但我们仍然希望以某种方式奖励为术语表做出贡献的贡献者。例如一种术语表加密货币，其中代币数量等于提交次数 ;)。如果你有更好的想法，请告诉我们。归根结底，这是一个开源项目，我们希望为简洁、易访问的机器学习知识仓库做出贡献本身就足以成为激励！
技巧与窍门
- 添加公式
- 使用 Jupyter Notebook
- 使用 Jupyter notebook 模板快速开始
- 图形和图表
- 导入图片
- 链接到代码
资源
常见问题
相似工具推荐
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。
NextChat
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。 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。 NextChat 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。
ML-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。 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。
ragflow
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。 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。 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。