[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-datawhalechina--machine-learning-toy-code":3,"tool-datawhalechina--machine-learning-toy-code":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",157379,2,"2026-04-15T23:32:42",[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":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":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":113},8048,"datawhalechina\u002Fmachine-learning-toy-code","machine-learning-toy-code","《机器学习》（西瓜书）代码实战","machine-learning-toy-code 是一个专为机器学习初学者打造的开源实战项目，旨在帮助读者将周志华教授经典教材《机器学习》（俗称“西瓜书”）中的理论转化为实际代码能力。该项目以西瓜书及其辅助读物“南瓜书”为核心参考，覆盖了线性回归、决策树、支持向量机、神经网络等十余种主流算法。\n\n很多学习者在面对复杂的数学公式时，往往难以理解其背后的逻辑，更不知如何用代码实现。machine-learning-toy-code 正是为了解决这一痛点而生。它最大的特色在于“数码结合”，即通过代码逐行复现书中的数学推导，让抽象的公式与具体的程序逻辑形成形神对应的关系，从而帮助用户真正吃透算法原理，而不仅仅是调用现成的库函数。\n\n这套资源非常适合高校学生、刚入门的开发者以及希望夯实理论基础的数据科学爱好者使用。无论你是想系统梳理机器学习知识体系，还是为参加数据竞赛做准备，这里都提供了从理论推导到 sklearn 代码实现的完整路径。此外，项目还延伸了二手车价格预测、金融风控等真实场景的实战案例，让用户能在解决实际问题的过程中巩固所学。通过这种手把手的教学方式，machine-learnin","machine-learning-toy-code 是一个专为机器学习初学者打造的开源实战项目，旨在帮助读者将周志华教授经典教材《机器学习》（俗称“西瓜书”）中的理论转化为实际代码能力。该项目以西瓜书及其辅助读物“南瓜书”为核心参考，覆盖了线性回归、决策树、支持向量机、神经网络等十余种主流算法。\n\n很多学习者在面对复杂的数学公式时，往往难以理解其背后的逻辑，更不知如何用代码实现。machine-learning-toy-code 正是为了解决这一痛点而生。它最大的特色在于“数码结合”，即通过代码逐行复现书中的数学推导，让抽象的公式与具体的程序逻辑形成形神对应的关系，从而帮助用户真正吃透算法原理，而不仅仅是调用现成的库函数。\n\n这套资源非常适合高校学生、刚入门的开发者以及希望夯实理论基础的数据科学爱好者使用。无论你是想系统梳理机器学习知识体系，还是为参加数据竞赛做准备，这里都提供了从理论推导到 sklearn 代码实现的完整路径。此外，项目还延伸了二手车价格预测、金融风控等真实场景的实战案例，让用户能在解决实际问题的过程中巩固所学。通过这种手把手的教学方式，machine-learning-toy-code 让枯燥的理论学习变得生动且易于上手。","# [西瓜书代码实战](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fmachine-learning-toy-code)\n\n本项目以西瓜书以及[南瓜书](https:\u002F\u002Fdatawhalechina.github.io\u002Fpumpkin-book\u002F#\u002F)为主要参考，其他资料为辅助，来进行常见机器学习代码的实战。主要特色为力求数码结合，即数学公式与相关代码的形神对应，能够帮助读者加深对公式的理解以及代码的熟练。\n\n详细教程请阅读 西瓜书代码实战.pdf\n\n## 算法进度\n\n|   算法名称               | 相关材料 | 进度 | 备注 |\n| :----------:            | :------: | :--: | ---- |\n| 01-LinearRegression     |sklearn   |  OK  |      |\n| 02-LogisticRegression   |sklearn   |  OK  |      |\n| 03-DecisionTree         |sklearn   |  OK  |      |\n| 04-MLP                  |sklearn   |   OK |      |\n| 05-SVM                  |sklearn   |  OK  |      |\n| 06-Bayes                |sklearn   |  OK  |      |\n| 07-Random Forest        |sklearn   |  OK  |      |\n| 08-AdaBoos              |sklearn   |  OK  |      |\n| 09-K-means              |sklearn   | OK   |      |\n| 10-kNN                  |sklearn   | OK   |      |\n| 11-PCA                  |sklearn   | OK   |      |\n| 12-HMM                  |hmmlearn  | OK   |      |\n| 13-Visualization        |sklearn   | OK   |      |\n\n## 算法项目实战\n\n学习完了西瓜书，手动实现相关的算法后，接下来就是到了实战的环节，datawhale开源的数据竞赛项目给大家施展自己coding的平台\n\n- [数据挖掘实践（二手车价格预测）](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fteam-learning-data-mining\u002Ftree\u002Fmaster\u002FSecondHandCarPriceForecast)\n\n- [数据挖掘实践（金融风控）](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fteam-learning-data-mining\u002Ftree\u002Fmaster\u002FFinancialRiskControl)\n- [数据挖掘实践（心跳信号分类）](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fteam-learning-data-mining\u002Ftree\u002Fmaster\u002FHeartbeatClassification)\n\n\n## 贡献者\n\n\u003Ctable border=\"0\">\n  \u003Ctbody>\n    \u003Ctr align=\"center\" >\n      \u003Ctd>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJohnJim0816\">\n            \u003Cimg width=\"70\" height=\"70\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_readme_a5b53f3ddcae.png\" alt=\"pic\">\n         \u003C\u002Fa>\u003Cbr>\n            \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJohnJim0816\">John Jim\u003C\u002Fa>\n            \u003Cp>算法实战\u003Cbr> 北京大学\u003C\u002Fp>\n      \u003C\u002Ftd>\n      \u003Ctd>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmuxiaoxiong\">\u003Cimg width=\"70\" height=\"70\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_readme_3332bad55d7b.png\" alt=\"pic\">\u003C\u002Fa>\u003Cbr>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmuxiaoxiong\">牧小熊\u003C\u002Fa>\n         \u003Cp>chap 13\u003Cbr> 华中农业大学\u003C\u002Fp>\n      \u003C\u002Ftd>\n      \u003Ctd>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fleungkafai\">\u003Cimg width=\"70\" height=\"70\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_readme_152d8da22908.png\" alt=\"pic\">\u003C\u002Fa>\u003Cbr>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fleungkafai\">梁家晖\u003C\u002Fa>\n         \u003Cp>chap 1-4\u003Cbr> 广州城市理工学院\u003C\u002Fp>\n      \u003C\u002Ftd>\n      \u003Ctd>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzhangruoxuan\">\u003Cimg width=\"70\" height=\"70\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_readme_533d21de0434.png\" alt=\"pic\">\u003C\u002Fa>\u003Cbr>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzhangruoxuan\">张若萱\u003C\u002Fa>\n         \u003Cp>chap 5-8\u003Cbr> 天津理工大学\u003C\u002Fp>\n      \u003C\u002Ftd>\n      \u003Ctd>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyueqianhaobo\">\u003Cimg width=\"70\" height=\"70\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_readme_26562bb9a718.png\" alt=\"pic\">\u003C\u002Fa>\u003Cbr>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyueqianhaobo\">孙子涵\u003C\u002Fa>\n         \u003Cp>chap 9-12\u003Cbr> 太原理工大学\u003C\u002Fp>\n      \u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\n\n\n## Refs\n\n\n统计学习方法、西瓜书、机器学习实战\n","# [西瓜书代码实战](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fmachine-learning-toy-code)\n\n本项目以西瓜书以及[南瓜书](https:\u002F\u002Fdatawhalechina.github.io\u002Fpumpkin-book\u002F#\u002F)为主要参考，其他资料为辅助，来进行常见机器学习代码的实战。主要特色为力求数码结合，即数学公式与相关代码的形神对应，能够帮助读者加深对公式的理解以及代码的熟练。\n\n详细教程请阅读 西瓜书代码实战.pdf\n\n## 算法进度\n\n|   算法名称               | 相关材料 | 进度 | 备注 |\n| :----------:            | :------: | :--: | ---- |\n| 01-LinearRegression     |sklearn   |  OK  |      |\n| 02-LogisticRegression   |sklearn   |  OK  |      |\n| 03-DecisionTree         |sklearn   |  OK  |      |\n| 04-MLP                  |sklearn   |   OK |      |\n| 05-SVM                  |sklearn   |  OK  |      |\n| 06-Bayes                |sklearn   |  OK  |      |\n| 07-Random Forest        |sklearn   |  OK  |      |\n| 08-AdaBoos              |sklearn   |  OK  |      |\n| 09-K-means              |sklearn   | OK   |      |\n| 10-kNN                  |sklearn   | OK   |      |\n| 11-PCA                  |sklearn   | OK   |      |\n| 12-HMM                  |hmmlearn  | OK   |      |\n| 13-Visualization        |sklearn   | OK   |      |\n\n## 算法项目实战\n\n学习完了西瓜书，手动实现相关的算法后，接下来就是到了实战的环节，datawhale开源的数据竞赛项目给大家施展自己coding的平台\n\n- [数据挖掘实践（二手车价格预测）](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fteam-learning-data-mining\u002Ftree\u002Fmaster\u002FSecondHandCarPriceForecast)\n\n- [数据挖掘实践（金融风控）](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fteam-learning-data-mining\u002Ftree\u002Fmaster\u002FFinancialRiskControl)\n- [数据挖掘实践（心跳信号分类）](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fteam-learning-data-mining\u002Ftree\u002Fmaster\u002FHeartbeatClassification)\n\n\n## 贡献者\n\n\u003Ctable border=\"0\">\n  \u003Ctbody>\n    \u003Ctr align=\"center\" >\n      \u003Ctd>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJohnJim0816\">\n            \u003Cimg width=\"70\" height=\"70\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_readme_a5b53f3ddcae.png\" alt=\"pic\">\n         \u003C\u002Fa>\u003Cbr>\n            \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJohnJim0816\">John Jim\u003C\u002Fa>\n            \u003Cp>算法实战\u003Cbr> 北京大学\u003C\u002Fp>\n      \u003C\u002Ftd>\n      \u003Ctd>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmuxiaoxiong\">\u003Cimg width=\"70\" height=\"70\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_readme_3332bad55d7b.png\" alt=\"pic\">\u003C\u002Fa>\u003Cbr>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmuxiaoxiong\">牧小熊\u003C\u002Fa>\n         \u003Cp>chap 13\u003Cbr> 华中农业大学\u003C\u002Fp>\n      \u003C\u002Ftd>\n      \u003Ctd>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fleungkafai\">\u003Cimg width=\"70\" height=\"70\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_readme_152d8da22908.png\" alt=\"pic\">\u003C\u002Fa>\u003Cbr>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fleungkafai\">梁家晖\u003C\u002Fa>\n         \u003Cp>chap 1-4\u003Cbr> 广州城市理工学院\u003C\u002Fp>\n      \u003C\u002Ftd>\n      \u003Ctd>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzhangruoxuan\">\u003Cimg width=\"70\" height=\"70\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_readme_533d21de0434.png\" alt=\"pic\">\u003C\u002Fa>\u003Cbr>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzhangruoxuan\">张若萱\u003C\u002Fa>\n         \u003Cp>chap 5-8\u003Cbr> 天津理工大学\u003C\u002Fp>\n      \u003C\u002Ftd>\n      \u003Ctd>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyueqianhaobo\">\u003Cimg width=\"70\" height=\"70\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_readme_26562bb9a718.png\" alt=\"pic\">\u003C\u002Fa>\u003Cbr>\n         \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyueqianhaobo\">孙子涵\u003C\u002Fa>\n         \u003Cp>chap 9-12\u003Cbr> 太原理工大学\u003C\u002Fp>\n      \u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\n\n\n## Refs\n\n\n统计学习方法、西瓜书、机器学习实战","# machine-learning-toy-code 快速上手指南\n\n本项目基于《机器学习》（西瓜书）与《南瓜书》，旨在通过代码实战实现数学公式与算法逻辑的“形神对应”。适合希望深入理解机器学习原理并掌握 Python 实现的开发者。\n\n## 环境准备\n\n- **操作系统**：Windows \u002F macOS \u002F Linux\n- **Python 版本**：推荐 Python 3.8 及以上\n- **前置依赖**：\n  - `numpy`\n  - `pandas`\n  - `matplotlib`\n  - `scikit-learn` (sklearn)\n  - `hmmlearn` (用于 HMM 算法)\n\n建议国内用户使用清华或阿里镜像源加速安装。\n\n## 安装步骤\n\n1. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fmachine-learning-toy-code.git\n   cd machine-learning-toy-code\n   ```\n\n2. **安装依赖库**\n   \n   使用 pip 配合国内镜像源安装所需包：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n   \n   *注：若项目中无 `requirements.txt`，可手动安装核心依赖：*\n   ```bash\n   pip install numpy pandas matplotlib scikit-learn hmmlearn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n## 基本使用\n\n本项目按章节组织算法代码，以线性回归（Linear Regression）为例：\n\n1. **进入对应算法目录**\n   ```bash\n   cd 01-LinearRegression\n   ```\n\n2. **运行代码示例**\n   直接运行主脚本查看基于 sklearn 的实现及公式对应逻辑：\n   ```bash\n   python main.py\n   ```\n   *(注：具体文件名请以目录内实际文件为准，通常为 `main.py` 或 `lr_sklearn.py`)*\n\n3. **进阶实战**\n   完成基础算法学习后，可前往项目推荐的实战项目进行应用：\n   - 二手车价格预测：[SecondHandCarPriceForecast](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fteam-learning-data-mining\u002Ftree\u002Fmaster\u002FSecondHandCarPriceForecast)\n   - 金融风控：[FinancialRiskControl](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fteam-learning-data-mining\u002Ftree\u002Fmaster\u002FFinancialRiskControl)\n\n详细理论推导与代码对照说明，请参阅项目根目录下的 `西瓜书代码实战.pdf`。","计算机专业大三学生李明正在备战机器学习期末考试，面对周志华《机器学习》（西瓜书）中密集的数学公式感到难以消化，急需将理论转化为可运行的代码以加深理解。\n\n### 没有 machine-learning-toy-code 时\n- **理论与代码割裂**：书本上的推导公式与网上的通用 sklearn 示例无法对应，李明很难理解公式中的 $\\theta$ 或 $w$ 具体对应代码里的哪一行变量。\n- **手动复现成本高**：为了搞懂决策树或 SVM 的原理，他需要从零手写算法底层，耗费数天时间调试却常因细节错误导致结果偏差，打击自信心。\n- **缺乏可视化直观感受**：仅凭静态文字和公式，难以想象 K-means 聚类中心如何迭代移动或 PCA 降维后的数据分布，学习过程枯燥且抽象。\n- **实战衔接困难**：学完章节后不知道如何应用到真实数据竞赛中，面对二手车价格预测等项目无从下手，陷入“眼高手低”的困境。\n\n### 使用 machine-learning-toy-code 后\n- **数码形神合一**：项目代码严格对照西瓜书公式编写，李明能直接看到数学符号如何映射为 Python 变量，瞬间打通了理论到实现的任督二脉。\n- **站在巨人肩膀上**：直接参考已完成的线性回归、神经网络等核心算法实现，将原本用于造轮子的时间转为深入分析算法逻辑与参数影响。\n- **动态可视化辅助**：利用项目提供的可视化章节，直观观察算法迭代过程，抽象的收敛曲线和分类边界变得清晰可见，记忆深刻。\n- **无缝对接实战**：依托项目链接的 DataWhale 数据竞赛教程（如金融风控），李明迅速将学到的算法应用于真实场景，完成了从理论学习到项目落地的闭环。\n\nmachine-learning-toy-code 通过“公式即代码”的核心理念，彻底消除了机器学习学习中理论与实践之间的鸿沟，让初学者能高效地从“读懂书”进阶到“写出码”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_machine-learning-toy-code_f0f7e88c.png","datawhalechina","Datawhale","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdatawhalechina_f57a6118.png","for the learner，和学习者一起成长",null,"https:\u002F\u002Fdatawhale.cn","https:\u002F\u002Fgithub.com\u002Fdatawhalechina",[81,85],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",98.6,{"name":86,"color":87,"percentage":88},"Python","#3572A5",1.4,963,196,"2026-04-15T05:41:00","MIT",1,"","未说明",{"notes":97,"python":95,"dependencies":98},"本项目主要基于西瓜书和南瓜书进行机器学习算法的代码实战，依赖 sklearn 和 hmmlearn 库。README 中未明确指定操作系统、Python 版本及硬件资源需求，通常此类基础机器学习项目在任何支持 Python 的主流操作系统上均可运行，且对 GPU 无强制要求。",[99,100],"scikit-learn","hmmlearn",[14],[103,104],"machine-learning","ml","2026-03-27T02:49:30.150509","2026-04-16T15:51:16.920246",[108],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},36038,"代码中的 `from Mnist.load_data import load_local_mnist` 依赖哪个包？","该导入语句是之前版本实现的读取 MNIST 函数。解决方法有两种：1. 该函数已重新放置在对应的目录下，可直接引用；2. 推荐直接使用 sklearn 内置函数读取 MNIST 数据（例如 `sklearn.datasets.fetch_openml` 或 `load_digits` 等相关接口）。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fmachine-learning-toy-code\u002Fissues\u002F2",[]]