[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-edyoda--data-science-complete-tutorial":3,"tool-edyoda--data-science-complete-tutorial":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","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。\n\n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。\n\nNextChat 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。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","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。\n\n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。\n\n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。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":79,"difficulty_score":94,"env_os":78,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":103,"github_topics":104,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":111,"updated_at":112,"faqs":113,"releases":114},3691,"edyoda\u002Fdata-science-complete-tutorial","data-science-complete-tutorial","For extensive instructor led learning","data-science-complete-tutorial 是一套专为数据科学初学者打造的开源实战教程，旨在通过系统化的代码示例和视频讲解，帮助用户从零掌握机器学习的核心技能。它解决了新手在学习过程中面临的理论抽象、缺乏实操案例以及知识碎片化等痛点，将复杂的算法原理转化为可运行的 Jupyter Notebook 代码。\n\n这套资源非常适合希望转行数据领域的开发者、计算机专业学生以及需要夯实基础的初级研究人员。其内容覆盖全面，从 NumPy 数据处理、Pandas 数据清洗到可视化绘图，再深入至线性模型、决策树、支持向量机等经典算法，甚至包含处理不平衡数据和集成学习等高阶技巧。\n\n该教程的独特亮点在于“学练结合”的课程设计：不仅提供了 16 节循序渐进的技术课，还配套了 8 个贴近真实的经典案例研究，如癌症预测、客户流失分析和人脸生成等，让用户在解决实际业务问题中巩固所学。此外，部分章节还关联了免费的视频教学资源，形成了完整的闭环学习体验。如果你正寻找一条清晰、免费且注重实践的数据科学入门路径，data-science-complete-tutorial 将是理想的起步伙伴。","In person training - https:\u002F\u002Fwww.edyoda.com\u002Fprogram\u002Fdata-scientist-program\n\n# Machine Learning Git Codebook\n\n**Lesson 1 :** [Introduction to Numpy](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F1.%20NumPy.ipynb) [(Video)](https:\u002F\u002Fwww.edyoda.com\u002Fresources\u002Fvideolisting\u002F1263\u002F)  \n**Lesson 2 :** [Data Wrangling using Pandas](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F2.%20Pandas%20for%20Machine%20Learning.ipynb)  \n**Lesson 3 :** [Plotting in Python](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F3.%20Plotting.ipynb)  \n**Lesson 4 :** [Linear Models for Regression & Classification](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F4.%20Linear%20Models%20for%20Classification%20%26%20Regression.ipynb)  \n**Lesson 5 :** [Preprocessing Data](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F5.%20PreProcessing.ipynb)  \n**Lesson 6 :** [Decision Trees](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F6.%20Decision%20Tree.ipynb)  \n**Lesson 7 :** [Naive Bayes](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F7.%20Naive%20Bayes.ipynb)  \n**Lesson 8 :** [Composite Estimators](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F8.%20Composite%20Estimators%20using%20Pipelines%20%26%20FeatureUnions.ipynb)  \n**Lesson 9 :** [Model Selection and Evaluation](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F9.%20Model%20Selection%20%26%20Evaluation.ipynb)  \n**Lesson 10 :** [Feature Selection Techniques](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F10.%20Feature%20Selection%20Techniques.ipynb)  \n**Lesson 11 :** [Nearest Neighbors](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F11.%20Nearest%20Neighbors.ipynb)  \n**Lesson 12 :** [Clustering Techniques](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F12.%20Clustering%20Techniques.ipynb)  \n**Lesson 13 :** [Anomaly Detection](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F13.%20Anomaly%20Detection.ipynb)  \n**Lesson 14 :** [Support Vector Machines](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F14.%20Support%20Vector%20Machines.ipynb)  \n**Lesson 15 :** [Dealing with Imbalanced Classes](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F15.%20Dealing%20with%20Imbalanced%20Classes.ipynb)  \n**Lesson 16 :** [Ensemble Methods](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F16.%20Ensemble%20Methods.ipynb)  \n\n\n## Case Study of Classic ML Problems\n**Case 1 :** [Linear Regression](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FLR%20Example.ipynb)  \n**Case 2 :** [Cancer Prediction](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FCancer%20Prediction.ipynb)  \n**Case 3 :** [Online Learning](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FOnline%20Learning.ipynb)  \n**Case 4 :** [Customer Churn Prediction](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FProject%20-%20Customer%20Churn%20Prediction.ipynb)  \n**Case 5 :** [Income Prediction](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FProject%20-%20Income%20Prediction.ipynb)  \n**Case 6 :** [Predicting Employee Exit](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FProject%20-%20Predicting%20Employee%20Exit.ipynb)  \n**Case 7 :** [Face Generation](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FProject%20-%20Face%20Generation.ipynb)  \n**Case 8 :** [Finding Similar Houses](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FProject%20-%20Finding%20Similar%20Houses.ipynb)  \n\n## The Free courses available on EdYoda\n\n**Python** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F98 \n\n**Angular** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1227\n\n**Machine Learning** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1416 \n\n**Dog Breed Prediction Project** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1336  \n\n**AI Project - Web application for Object Identification** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1185  \n\n**Numpy** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1263 \n\n**Tensorflow** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F99  \n\n**Amazon Web Services** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1410  \n\n**DevOps** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F100 \n\n**Android** -   \nhttps:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F101  \nhttps:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1173   \n\n**Deep Reinforcement Learning** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1421  \n\n**Knowledge Graphs, Deep Learning, Reasoning** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1420 \n\n**Natural Language Processing** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1419 \n\n**GAN Miniseries** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1418\n\n**Implementing Java Api's work** - https:\u002F\u002Fwww.edyoda.com\u002Fchannel\u002F2398\u002F \n\n**Introduction to Neural Nets** - https:\u002F\u002Fwww.edyoda.com\u002Fchannel\u002F2500\u002F\n\n**Videos from deep cognition studio** - https:\u002F\u002Fwww.edyoda.com\u002Fchannel\u002F2380\u002F  \n\n## About Us\nWe want to democratize education and create free quality course content.\n\t\n","线下培训 - https:\u002F\u002Fwww.edyoda.com\u002Fprogram\u002Fdata-scientist-program\n\n# 机器学习 Git 代码手册\n\n**第1课：** [NumPy 简介](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F1.%20NumPy.ipynb) [(视频)](https:\u002F\u002Fwww.edyoda.com\u002Fresources\u002Fvideolisting\u002F1263\u002F)  \n**第2课：** [使用 Pandas 进行数据清洗](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F2.%20Pandas%20for%20Machine%20Learning.ipynb)  \n**第3课：** [Python 中的绘图](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F3.%20Plotting.ipynb)  \n**第4课：** [用于回归与分类的线性模型](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F4.%20Linear%20Models%20for%20Classification%20%26%20Regression.ipynb)  \n**第5课：** [数据预处理](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F5.%20PreProcessing.ipynb)  \n**第6课：** [决策树](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F6.%20Decision%20Tree.ipynb)  \n**第7课：** [朴素贝叶斯](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F7.%20Naive%20Bayes.ipynb)  \n**第8课：** [组合估计器](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F8.%20Composite%20Estimators%20using%20Pipelines%20%26%20FeatureUnions.ipynb)  \n**第9课：** [模型选择与评估](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F9.%20Model%20Selection%20%26%20Evaluation.ipynb)  \n**第10课：** [特征选择技术](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F10.%20Feature%20Selection%20Techniques.ipynb)  \n**第11课：** [最近邻算法](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F11.%20Nearest%20Neighbors.ipynb)  \n**第12课：** [聚类技术](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F12.%20Clustering%20Techniques.ipynb)  \n**第13课：** [异常检测](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F13.%20Anomaly%20Detection.ipynb)  \n**第14课：** [支持向量机](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F14.%20Support%20Vector%20Machines.ipynb)  \n**第15课：** [处理不平衡类别](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F15.%20Dealing%20with%20Imbalanced%20Classes.ipynb)  \n**第16课：** [集成方法](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002F16.%20Ensemble%20Methods.ipynb)  \n\n\n## 经典机器学习问题案例研究\n**案例1：** [线性回归](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FLR%20Example.ipynb)  \n**案例2：** [癌症预测](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FCancer%20Prediction.ipynb)  \n**案例3：** [在线学习](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FOnline%20Learning.ipynb)  \n**案例4：** [客户流失预测](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FProject%20-%20Customer%20Churn%20Prediction.ipynb)  \n**案例5：** [收入预测](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FProject%20-%20Income%20Prediction.ipynb)  \n**案例6：** [预测员工离职](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FProject%20-%20Predicting%20Employee%20Exit.ipynb)  \n**案例7：** [人脸生成](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FProject%20-%20Face%20Generation.ipynb)  \n**案例8：** [寻找相似房屋](https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial\u002Fblob\u002Fmaster\u002FProject%20-%20Finding%20Similar%20Houses.ipynb)  \n\n## EdYoda 上提供的免费课程\n\n**Python** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F98 \n\n**Angular** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1227\n\n**机器学习** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1416 \n\n**犬种预测项目** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1336  \n\n**AI 项目 - 物体识别 Web 应用程序** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1185  \n\n**NumPy** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1263 \n\n**TensorFlow** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F99  \n\n**亚马逊云服务** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1410  \n\n**DevOps** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F100 \n\n**Android** -   \nhttps:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F101  \nhttps:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1173   \n\n**深度强化学习** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1421  \n\n**知识图谱、深度学习、推理** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1420 \n\n**自然语言处理** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1419 \n\n**GAN 迷你系列** - https:\u002F\u002Fwww.edyoda.com\u002Fcourse\u002F1418\n\n**Java API 实现工作** - https:\u002F\u002Fwww.edyoda.com\u002Fchannel\u002F2398\u002F \n\n**神经网络入门** - https:\u002F\u002Fwww.edyoda.com\u002Fchannel\u002F2500\u002F\n\n**深度认知工作室视频** - https:\u002F\u002Fwww.edyoda.com\u002Fchannel\u002F2380\u002F  \n\n## 关于我们\n我们致力于教育普及，打造免费的优质课程内容。","# data-science-complete-tutorial 快速上手指南\n\n本教程是一套完整的机器学习实战代码库，涵盖从 NumPy 基础到集成学习等核心算法，并包含多个经典案例研究。适合希望系统掌握 Python 数据科学与机器学习的开发者。\n\n## 环境准备\n\n**系统要求：**\n- 操作系统：Windows \u002F macOS \u002F Linux\n- Python 版本：推荐 Python 3.8 及以上\n\n**前置依赖：**\n本项目主要依赖以下 Python 数据科学库：\n- `numpy`\n- `pandas`\n- `matplotlib` \u002F `seaborn`\n- `scikit-learn`\n- `jupyter` (用于运行 `.ipynb` 笔记文件)\n\n> **国内加速建议**：建议使用清华或阿里镜像源安装依赖，以提升下载速度。\n\n## 安装步骤\n\n1. **克隆项目仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fzekelabs\u002Fdata-science-complete-tutorial.git\n   cd data-science-complete-tutorial\n   ```\n\n2. **配置国内镜像源（可选但推荐）**\n   ```bash\n   pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n3. **安装所需依赖包**\n   由于项目未提供 `requirements.txt`，请手动安装核心库：\n   ```bash\n   pip install numpy pandas matplotlib scikit-learn jupyterlab\n   ```\n\n4. **启动 Jupyter Lab**\n   ```bash\n   jupyter lab\n   ```\n   启动后，在浏览器中打开对应章节的 `.ipynb` 文件即可开始学习。\n\n## 基本使用\n\n本教程由一系列 Jupyter Notebook 组成，按顺序学习效果最佳。\n\n**最简单的使用示例：运行第一课（NumPy 入门）**\n\n1. 在 Jupyter Lab 界面中，找到并点击打开 `1. NumPy.ipynb`。\n2. 逐个单元格（Cell）执行代码（快捷键 `Shift + Enter`）。\n3. 观察输出结果，理解数组创建、运算及广播机制。\n\n**案例实战示例：癌症预测**\n\n1. 打开 `Cancer Prediction.ipynb`。\n2. 该案例演示了如何使用线性模型进行二分类任务。\n3. 依次运行数据加载、预处理、模型训练及评估的代码块，即可完成一个完整的机器学习流程。\n\n> **学习路径建议**：建议按照 Lesson 1 至 Lesson 16 的顺序依次学习算法原理，随后通过 \"Case Study\" 部分的 8 个实战项目进行巩固。","某初创电商公司的数据分析师小李，急需在两周内构建一个精准的客户流失预测模型以辅助营销决策，但他对机器学习全流程缺乏系统实战经验。\n\n### 没有 data-science-complete-tutorial 时\n- **知识碎片化严重**：小李需要在 StackOverflow、博客和文档间反复跳转，难以将数据清洗、特征工程与模型训练串联成完整闭环。\n- **关键难点无人指引**：面对“类别不平衡”和“特征选择”等棘手问题，只能盲目尝试各种参数，导致模型准确率长期停滞在低位。\n- **缺乏标准代码参考**：每次编写预处理管道或评估指标时都要从零造轮子，代码风格不统一且极易引入隐蔽的 Bug。\n- **实战案例缺失**：手头只有理论公式，缺乏像“客户流失预测”这样贴合业务场景的端到端代码范例，无法快速验证思路。\n\n### 使用 data-science-complete-tutorial 后\n- **构建系统化学习路径**：直接跟随从 NumPy 基础到集成学习的 16 节课程，迅速掌握了从数据 Wrangling 到模型评估的标准作业流程。\n- **精准攻克技术瓶颈**：利用第 15 课“处理不平衡类别”和第 10 课“特征选择技术”中的现成策略，快速提升了模型的召回率与泛化能力。\n- **复用高质量代码模板**：参考第 8 课中关于 Pipeline 的复合估计器代码，快速搭建了模块化、可维护的数据处理流水线，开发效率翻倍。\n- **对标真实业务案例**：直接研读并修改\"Case 4: 客户流失预测”的完整 Notebook，将通用逻辑快速迁移至公司内部数据，缩短了试错周期。\n\ndata-science-complete-tutorial 通过提供结构化的课程体系与贴近实战的代码案例，帮助开发者将零散的理论知识转化为解决复杂业务问题的落地能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fedyoda_data-science-complete-tutorial_3a66e502.png","edyoda","EdYoda","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fedyoda_6d4cffd8.png","",null,"http:\u002F\u002Fwww.edyoda.com","https:\u002F\u002Fgithub.com\u002Fedyoda",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",100,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0,1820,767,"2026-03-26T11:43:44",1,"未说明",{"notes":97,"python":95,"dependencies":98},"该项目为机器学习教学教程，主要包含 Jupyter Notebook (.ipynb) 文件。虽然 README 未明确列出环境需求，但根据内容（NumPy, Pandas, Scikit-learn 等）推断，需安装标准 Python 数据科学栈。部分案例（如人脸生成）可能涉及深度学习框架（如 TensorFlow），建议参考项目中链接的 EdYoda 课程获取具体环境配置指导。",[99,100,101,102],"numpy","pandas","matplotlib","scikit-learn",[13,51],[105,102,106,107,108,109,99,100,110],"machine-learning","linear-regression","nearest-neighbors","feature-selection","decision-trees","pipeline","2026-03-27T02:49:30.150509","2026-04-06T05:17:10.690828",[],[]]