[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-epfml--ML_course":3,"tool-epfml--ML_course":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},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。",84991,2,"2026-04-05T10:45:23",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},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。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65628,"2026-04-05T10:10:46",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":103,"forks":104,"last_commit_at":105,"license":80,"difficulty_score":46,"env_os":106,"env_gpu":106,"env_ram":106,"env_deps":107,"category_tags":110,"github_topics":80,"view_count":29,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":111,"updated_at":112,"faqs":113,"releases":154},840,"epfml\u002FML_course","ML_course","EPFL Machine Learning Course, Fall 2025","ML_course 是瑞士洛桑联邦理工学院（EPFL）CS-433 机器学习课程的官方开源资源库，专注于 2025 年秋季学期的教学内容。ML_course 集中整理了完整的课程讲义、实验室作业、项目代码模板以及参考答案，让学习者能够一站式获取高质量的教学材料。\n\nML_course 主要解决了机器学习学习者在寻找系统化、实战性强的学习资料时面临的资源碎片化问题。通过提供结构化的笔记与可运行的代码示例，帮助使用者快速理解算法原理并掌握工程实践技巧。此外，ML_course 还链接了包含往年的视频讲座资源，支持持续跟进最新技术动态。\n\nML_course 非常适合计算机科学专业的学生、希望深入 AI 领域的开发者以及从事相关研究的人员使用。其独特之处在于不仅涵盖理论推导，更强调动手实践，提供了从基础概念到复杂项目的完整学习路径。如果你正在寻找权威的机器学习入门或进阶指南，这个资源库值得收藏参考。","# EPFL Machine Learning Course CS-433\nMachine Learning Course, Fall 2025\n\nThe course website and syllabus is available here: https:\u002F\u002Fepfml.github.io\u002Fcs433-2025\u002F\n\nThis repository contains all lecture notes, labs and projects - resources, code templates and solutions.\nOrganizational information is available at the course website [here](https:\u002F\u002Fepfml.github.io\u002Fcs433-2025\u002Fcourseinfo\u002F).\n\nVideos will be available after each lecture on [the mediaspace channel](https:\u002F\u002Fmediaspace.epfl.ch\u002Fchannel\u002FCS-433+Machine+learning\u002F55647), including also the previous year's 2024 and 2023 videos.\n\nContact us if you have any questions, via the [discussion forum](https:\u002F\u002Fedstem.org\u002Feu\u002Fcourses\u002F2577\u002Fdiscussion\u002F) (for EPFL students), or email to the assistants or teachers. Please create issues and pull requests here using the menu above.\n","# EPFL 机器学习课程 CS-433\n机器学习课程，2025 年秋季学期\n\n课程网站和教学大纲可在此查看：https:\u002F\u002Fepfml.github.io\u002Fcs433-2025\u002F\n\n本仓库包含所有讲义、实验和项目资源、代码模板及解决方案。组织相关信息可在课程网站的 [此处](https:\u002F\u002Fepfml.github.io\u002Fcs433-2025\u002Fcourseinfo\u002F) 获取。\n\n视频将在每次讲座后发布在 [mediaspace 频道](https:\u002F\u002Fmediaspace.epfl.ch\u002Fchannel\u002FCS-433+Machine+learning\u002F55647) 上，其中包括往年的 2024 年和 2023 年视频。\n\n如有任何问题，请通过 [讨论论坛](https:\u002F\u002Fedstem.org\u002Feu\u002Fcourses\u002F2577\u002Fdiscussion\u002F)（面向 EPFL 学生）联系我们，或向助教或教师发送邮件。请使用上方菜单在此处创建问题和拉取请求。","# ML_course (EPFL CS-433) 快速上手指南\n\n本仓库包含 EPFL 机器学习课程 CS-433 (2025 秋季) 的所有讲义、实验、项目资源、代码模板及解决方案。\n\n## 1. 环境准备\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (推荐使用 WSL)\n*   **基础依赖**：Git, Python 3.x\n*   **开发工具**：VS Code \u002F Jupyter Notebook\n*   **注意**：具体实验（Labs）所需的深度学习框架（如 PyTorch\u002FTensorFlow）版本可能不同，请参照各实验文件夹内的说明文档。\n\n## 2. 安装步骤\n\n1.  **获取仓库**\n    访问课程官网获取最新的代码仓库链接：\n    https:\u002F\u002Fepfml.github.io\u002Fcs433-2025\u002F\n\n2.  **克隆代码**\n    在终端执行以下命令将仓库下载到本地：\n    ```bash\n    git clone [在此处填入仓库链接]\n    cd cs433-2025\n    ```\n\n3.  **配置环境**\n    进入具体实验目录，根据该目录下的 `requirements.txt` 或 `environment.yml` 安装依赖：\n    ```bash\n    # 示例命令\n    pip install -r requirements.txt\n    ```\n\n## 3. 基本使用\n\n*   **观看讲座视频**\n    访问 Mediaspace 频道，包含当前学年及往年（2024, 2023）的录像：\n    https:\u002F\u002Fmediaspace.epfl.ch\u002Fchannel\u002FCS-433+Machine+learning\u002F55647\n\n*   **查阅课程资料**\n    获取课程大纲、讲义及组织信息：\n    https:\u002F\u002Fepfml.github.io\u002Fcs433-2025\u002F\n\n*   **交流与反馈**\n    *   **学生讨论**：通过 Edstem 论坛提问（仅限 EPFL 学生）\n        https:\u002F\u002Fedstem.org\u002Feu\u002Fcourses\u002F2577\u002Fdiscussion\u002F\n    *   **代码贡献**：使用 GitHub 界面创建 Issues 或 Pull Requests","一名正在准备互联网大厂算法岗面试的初级工程师，希望系统掌握前沿机器学习理论，却苦于缺乏高质量、成体系的学习路径。\n\n### 没有 ML_course 时\n- 学习资源分散在各大技术博客，内容质量参差不齐且部分公式推导已过时。\n- 遇到复杂算法如注意力机制时，缺乏标准化的数学推导笔记，理解困难。\n- 动手实践阶段没有参考代码，从零编写容易陷入环境配置等细节泥潭。\n- 无法确认自己对知识点的理解是否准确，缺少权威习题与标准答案反馈。\n\n### 使用 ML_course 后\n- 直接获取 EPFL 官方整理的完整讲义，确保理论基础严谨可靠且紧跟 2025 年大纲。\n- 利用提供的代码模板快速复现论文效果，节省大量重复造轮子的工程时间。\n- 通过对比项目解决方案，迅速定位自己实现中的逻辑漏洞并优化模型性能。\n- 结合 Mediaspace 上的历年视频，针对难点进行反复观看巩固，弥补文字理解的不足。\n\nML_course 将顶尖高校的标准化课程体系转化为可落地的实战资源，极大降低了自学门槛并提升了学习效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fepfml_ML_course_50dcff39.png","epfml","EPFL Machine Learning and Optimization Laboratory","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fepfml_7437b9b2.png","",null,"mlo.epfl.ch","https:\u002F\u002Fgithub.com\u002Fepfml",[84,88,92,96,99],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",95.2,{"name":89,"color":90,"percentage":91},"TeX","#3D6117",2.9,{"name":93,"color":94,"percentage":95},"Python","#3572A5",1.3,{"name":97,"color":80,"percentage":98},"BibTeX Style",0.6,{"name":100,"color":101,"percentage":102},"Shell","#89e051",0,2007,1013,"2026-04-02T22:49:23","未说明",{"notes":108,"python":106,"dependencies":109},"这是 EPFL 2025 年秋季机器学习课程 CS-433 的官方仓库。内容包含讲义、实验作业、项目资源、代码模板及解决方案。视频资料发布于 Mediaspace 频道。学生可通过 Edstem 论坛提问或联系助教\u002F教师。提交 Issue 和 Pull Request 请使用页面顶部菜单。",[],[18],"2026-03-27T02:49:30.150509","2026-04-06T05:15:35.155621",[114,119,124,129,134,139,144,149],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},3611,"Lab03 练习 2 中缺少 build_polynomial 文件，应该如何使用？","你需要在 notebook 中实现 build_polynomial.py 文件中的函数，并将实现复制到该文件中。关于 build_poly() 函数，请查阅作业纸第 2 页第一段中描述的示例。","https:\u002F\u002Fgithub.com\u002Fepfml\u002FML_course\u002Fissues\u002F8",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},3612,"第二次作业缺少 grid_search.py 文件怎么办？","维护者已经推送了该缺失文件。请确保从仓库拉取最新代码即可获取该文件。如有问题可再次反馈。","https:\u002F\u002Fgithub.com\u002Fepfml\u002FML_course\u002Fissues\u002F3",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},3613,"Lab02 练习 5\u002F6 的解决方案何时发布？","这些解决方案将在项目 1 的提交截止日期之后才会发布，因为它们属于项目 1 的一部分。目前团队正在处理中。","https:\u002F\u002Fgithub.com\u002Fepfml\u002FML_course\u002Fissues\u002F44",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},3614,"glove_solution.py 中 ys 更新计算错误的原因及解决方案是什么？","虽然直接修改可能导致使用已更新的变量，但根据讲座内容，对于 SGD 和交替最小化，两种变体都是可以的：一种是先更新一个因子并立即使用该状态更新第二个因子；另一种是纯 SGD，两者都基于相同的旧信息更新，互不影响（安全变体）。","https:\u002F\u002Fgithub.com\u002Fepfml\u002FML_course\u002Fissues\u002F37",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},3615,"README 中的课程 YouTube 链接不正确怎么办？","链接错误已被修复。请注意，今年的讲座视频首先会在 switchtube 上提供，请留意正确的播放源。","https:\u002F\u002Fgithub.com\u002Fepfml\u002FML_course\u002Fissues\u002F71",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},3616,"激活函数讲座中 tanh 和 sigmoid 的关系公式是否有误？","是的，原公式有误，tanh 和 sigmoid 函数之间的正确关系应为 2*phi(2x)-1。该问题已由维护者修复。","https:\u002F\u002Fgithub.com\u002Fepfml\u002FML_course\u002Fissues\u002F18",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},3617,"Problem Set 2 中矩阵符号 X_(32) 代表什么含义？","在矩阵表示法中，X_(ij) 通常代表矩阵中第 i 行和第 j 列的元素。因此在该特定问题中，X_(32) 对应 x_(31)。建议问题描述应更明确这一点。","https:\u002F\u002Fgithub.com\u002Fepfml\u002FML_course\u002Fissues\u002F9",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},3618,"Lecture5b 推荐阅读材料的章节引用是否有误？","是的，Lecture5b 最后一页 ToDo 3 应指向 JWHT 书籍的第 4 章。该引用错误已被修复。","https:\u002F\u002Fgithub.com\u002Fepfml\u002FML_course\u002Fissues\u002F19",[]]