[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-curiousily--Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras":3,"tool-curiousily--Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras":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",149489,2,"2026-04-10T11:32:46",[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":75,"owner_location":76,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":32,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":97,"github_topics":98,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":109},6321,"curiousily\u002FCredit-Card-Fraud-Detection-using-Autoencoders-in-Keras","Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras","iPython notebook and pre-trained model that shows how to build deep Autoencoder in Keras for Anomaly Detection in credit card transactions data","Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras 是一个基于 Keras 框架的开源项目，旨在利用深度自编码器（Autoencoder）技术识别信用卡交易中的欺诈行为。该项目核心解决了金融场景中典型的“异常检测”难题：由于欺诈交易在海量数据中占比极低且模式多变，传统分类方法往往难以奏效，而自编码器能够通过重构正常交易数据，精准捕捉并标记出偏离常态的可疑操作。\n\n项目提供了完整的 iPython Notebook 教程及预训练模型，详细演示了从数据预处理到模型构建的全流程。其技术亮点在于采用无监督学习策略，无需依赖大量标注好的欺诈样本即可训练出高灵敏度的检测模型，代码兼容 TensorFlow 1.1 与 Keras 2.0.4，便于复现与研究。\n\n该工具非常适合机器学习开发者、数据科学家及相关领域的研究人员使用。对于希望深入理解深度学习在风控领域应用的学习者，它也是一份极佳的实战教材，帮助用户从零掌握如何搭建用于异常检测的深度神经网络。无论是进行学术研究还是探索金融安全解决方案，都能从中获得有价值的参考。","# Credit Card Fraud Detection using Autoencoders in Keras\n\nFull explanation can be found in [this blog post](https:\u002F\u002Fwww.curiousily.com\u002Fposts\u002Fcredit-card-fraud-detection-using-autoencoders-in-keras\u002F). The source code is compatible with TensorFlow 1.1 and Keras 2.0.4\n\n### Hands-On Machine Learning from Scratch\n\nInterested in deeper understanding of Machine Learning algorithms? Implement them in Python from scratch:\n\n\u003Ca href=\"https:\u002F\u002Fleanpub.com\u002Fhmls\" target=\"_blank\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcuriousily_Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras_readme_401b64790ce7.png\" width=\"250\">\n\u003C\u002Fa>\n\n\u003Ca href=\"https:\u002F\u002Fleanpub.com\u002Fhmls\" target=\"_blank\">Read the book here\u003C\u002Fa>\n","# 使用 Keras 中的自编码器进行信用卡欺诈检测\n\n完整解释请参见[这篇博客文章](https:\u002F\u002Fwww.curiousily.com\u002Fposts\u002Fcredit-card-fraud-detection-using-autoencoders-in-keras\u002F)。源代码兼容 TensorFlow 1.1 和 Keras 2.0.4。\n\n### 从零开始的动手机器学习\n\n想更深入地理解机器学习算法吗？不妨用 Python 从头实现它们：\n\n\u003Ca href=\"https:\u002F\u002Fleanpub.com\u002Fhmls\" target=\"_blank\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcuriousily_Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras_readme_401b64790ce7.png\" width=\"250\">\n\u003C\u002Fa>\n\n\u003Ca href=\"https:\u002F\u002Fleanpub.com\u002Fhmls\" target=\"_blank\">在此阅读本书\u003C\u002Fa>","# Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras 快速上手指南\n\n本指南帮助中国开发者快速部署并运行基于 Keras 自编码器的信用卡欺诈检测项目。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：推荐 Python 3.6+（注意：原项目基于较旧版本构建，但现代环境通常兼容）\n*   **核心依赖**：\n    *   TensorFlow 1.1 (或兼容的早期版本)\n    *   Keras 2.0.4\n    *   NumPy, Pandas, Scikit-learn, Matplotlib\n\n> **注意**：由于该项目指定了较旧的 TensorFlow 和 Keras 版本，建议在虚拟环境中运行以避免与现有项目冲突。\n\n## 安装步骤\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fcuriousily\u002FCredit-Card-Fraud-Detection-using-Autoencoders-in-Keras.git\n    cd Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras\n    ```\n\n2.  **创建并激活虚拟环境**\n    ```bash\n    python -m venv venv\n    # Linux\u002FmacOS\n    source venv\u002Fbin\u002Factivate\n    # Windows\n    venv\\Scripts\\activate\n    ```\n\n3.  **安装依赖包**\n    为了获得更快的下载速度，推荐使用国内镜像源（如清华源）安装特定版本的 TensorFlow 和 Keras，以及其他必要库：\n\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==1.1.0 keras==2.0.4 numpy pandas scikit-learn matplotlib\n    ```\n\n    *如果项目中包含 `requirements.txt` 文件，也可尝试直接安装，但需手动指定上述版本以防冲突：*\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n本项目主要通过运行 Python 脚本来训练自编码器模型并检测欺诈交易。\n\n1.  **准备数据**\n    确保当前目录下存在信用卡欺诈数据集（通常为 `creditcard.csv`）。如果仓库中未包含该文件，请先从 [Kaggle Credit Card Fraud Detection](https:\u002F\u002Fwww.kaggle.com\u002Fmlg-ulb\u002Fcreditcardfraud) 下载并放入项目根目录。\n\n2.  **运行训练与检测脚本**\n    执行主要的 Python 脚本（根据仓库文件结构，通常为 `main.py` 或类似名称，此处以通用运行为例）：\n\n    ```bash\n    python main.py\n    ```\n\n    *注：如果仓库中包含多个脚本，请优先运行包含模型训练逻辑的主脚本。*\n\n3.  **查看结果**\n    脚本运行完成后，终端将输出模型的训练损失、验证损失以及分类报告（Precision, Recall, F1-Score）。同时，程序会生成可视化图表（如损失曲线图），展示自编码器在区分正常交易与欺诈交易方面的表现。\n\n如需深入了解算法原理及代码细节，请参考原作者的博客文章：[Credit Card Fraud Detection using Autoencoders in Keras](https:\u002F\u002Fwww.curiousily.com\u002Fposts\u002Fcredit-card-fraud-detection-using-autoencoders-in-keras\u002F)。","某中型电商平台的风控团队正面临海量交易数据中隐蔽欺诈行为难以识别的挑战，急需提升实时拦截能力。\n\n### 没有 Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras 时\n- 依赖传统规则引擎（如单笔限额、异地登录），无法识别从未见过的新型欺诈模式，漏报率居高不下。\n- 人工标注欺诈样本成本极高且滞后，导致模型训练数据严重失衡，难以覆盖长尾异常场景。\n- 现有统计方法对高维交易特征（时间、地点、金额、设备指纹）的关联性挖掘不足，误杀正常用户频繁引发投诉。\n- 缺乏端到端的深度学习示例，团队从零构建自编码器架构耗时数月，试错成本巨大。\n\n### 使用 Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras 后\n- 利用预训练的 Keras 深度自编码器自动学习正常交易分布，无需标签即可精准捕捉偏离常态的新型欺诈手法。\n- 基于无监督学习特性，直接在全量未标注数据上训练，大幅降低数据清洗与标注的人力投入，实现快速部署。\n- 通过重构误差量化异常程度，有效整合多维复杂特征，显著降低误报率，提升用户体验与风控精度。\n- 直接复用官方提供的 iPython Notebook 和预训练模型，团队在数天内即可完成从验证到上线的全流程，抢占防御先机。\n\nCredit-Card-Fraud-Detection-using-Autoencoders-in-Keras 将原本需要数月研发的非监督异常检测能力，转化为几天内可落地的实战方案，让中小团队也能拥有顶尖的金融反诈水平。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcuriousily_Credit-Card-Fraud-Detection-using-Autoencoders-in-Keras_5d7eed4b.png","curiousily","Venelin Valkov","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcuriousily_6bb1e41a.jpg",null,"Bulgaria","venelin@curiousily.com","venelin_valkov","mlexpert.io","https:\u002F\u002Fgithub.com\u002Fcuriousily",[82],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",100,586,291,"2026-04-10T01:55:10","MIT","","未说明",{"notes":93,"python":91,"dependencies":94},"README 中仅提及代码兼容 TensorFlow 1.1 和 Keras 2.0.4，未明确指定操作系统、硬件配置或 Python 版本要求。由于依赖的是较旧版本的深度学习框架，建议在独立的虚拟环境中运行以避免版本冲突。",[95,96],"TensorFlow==1.1","Keras==2.0.4",[14],[99,100,101,102,103,104,105],"tensorflow","keras","anomaly-detection","deep-learning","tensorflow-tutorial","autoencoders","credit-card-fraud","2026-03-27T02:49:30.150509","2026-04-11T00:50:39.787407",[],[]]