[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-fengdu78--WZU-machine-learning-course":3,"tool-fengdu78--WZU-machine-learning-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。",85013,2,"2026-04-06T11:09:19",[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。",75054,"2026-04-07T10:38:03",[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",65679,"2026-04-07T11:38:52",[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":81,"owner_email":82,"owner_twitter":80,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":80,"difficulty_score":46,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":98,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":99,"updated_at":100,"faqs":101,"releases":102},5048,"fengdu78\u002FWZU-machine-learning-course","WZU-machine-learning-course","温州大学《机器学习》课程资料（代码、课件等）","WZU-machine-learning-course 是温州大学黄海广老师主讲的《机器学习》课程开源资料库，旨在为学习者提供一套完整、系统的入门学习资源。这套资料有效解决了初学者在寻找高质量中文教材、配套代码及教学视频时面临的资源分散难题，帮助用户从零开始构建机器知识体系。\n\n内容涵盖课程 PPT 课件、基于 Jupyter Notebook 的实践代码、带字幕的教学视频以及配套的《深度学习》课程资料。所有资源均与已出版教材《机器学习入门基础（微课版）》紧密对应，该教材已被百余所高校采纳，确保了内容的权威性与教学适用性。此外，项目还提供了清晰的知识目录结构，方便用户按需查阅。\n\n这套资源特别适合高校教师、计算机专业学生、AI 开发者以及希望系统掌握机器学习基础的普通爱好者使用。对于教师群体，它还支持通过官方渠道索取教学大纲与习题等深度教学素材。其独特亮点在于“理论 + 代码 + 视频”的三位一体教学模式，且视频资源已在 B 站等平台公开并配备字幕，打破了慕课平台的学期限制，让优质教育资源能够更自由、持久地服务于大众。","\n# 机器学习系列课程-温州大学\n\n黄海广老师主讲的机器学习课程更新完毕。\n\n课程登陆了中国大学慕课平台，已经在2021年9月6日开课，通常一年按照正常学期开课两次。\n\n课程教材“机器学习入门基础（微课版）”（作者姓名： 黄海广、徐震、张笑钦，ISBN 9787302619581）已经出版，目前已经被100多个学校定位本科生教材。\n\n课程地址：https:\u002F\u002Fwww.icourse163.org\u002Fcourse\u002FWZU-1464096179\n\n**因为慕课有学期限制，相同的视频在B站和视频号**，已经添加字幕，方便老师们参考：\n\nB站：https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1gP4y177cf\n\n视频号：“黄海广老师”\n\n![gongzhong](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffengdu78_WZU-machine-learning-course_readme_4b153bc9922f.jpg)\n\n如果有老师需要ppt原版文件，下载链接：\n\nhttps:\u002F\u002Fpan.baidu.com\u002Fs\u002F1r7bgOa_4YYqdYax5aevRsA?pwd=pcmf\n\n解压密码：haiguang2000\n\n如果是大学教师，可以发邮件给黄海广老师索取课程教学大纲、教学进度、习题等资料。\n\n（haiguang2000@wzu.edu.cn，请用edu邮箱发，告知姓名学校，仅用于教学目的，请勿用于商业用途）\n\n\n黄海广\n\n## 目录说明\n\nppt：课程的pdf课件\n\ncode：课程的代码（Jupyter notebook格式）\n\nvideo：课程的视频\n\nDeepLearning：《深度学习》课程的ppt（pdf版本）\n\n![gongzhong](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffengdu78_WZU-machine-learning-course_readme_114cd0712284.jpg)\n\n内容首发于微信公众号：机器学习初学者 \n","# 机器学习系列课程-温州大学\n\n黄海广老师主讲的机器学习课程已更新完毕。\n\n该课程已上线中国大学MOOC平台，于2021年9月6日开课，通常每年按正常学期开设两次。\n\n课程教材《机器学习入门基础（微课版）》（作者：黄海广、徐震、张笑钦，ISBN 9787302619581）现已出版，目前已被100余所学校指定为本科生教材。\n\n课程地址：https:\u002F\u002Fwww.icourse163.org\u002Fcourse\u002FWZU-1464096179\n\n**由于慕课有学期限制，相同的视频已在B站和视频号上发布**，并添加了中文字幕，方便老师们参考：\n\nB站：https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1gP4y177cf\n\n视频号：“黄海广老师”\n\n![gongzhong](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffengdu78_WZU-machine-learning-course_readme_4b153bc9922f.jpg)\n\n如有老师需要PPT原版文件，下载链接如下：\n\nhttps:\u002F\u002Fpan.baidu.com\u002Fs\u002F1r7bgOa_4YYqdYax5aevRsA?pwd=pcmf\n\n解压密码：haiguang2000\n\n若为高校教师，可发送邮件至黄海广老师处索取课程教学大纲、教学进度、习题等资料。\n\n（haiguang2000@wzu.edu.cn，请使用edu邮箱发送，并注明姓名及所在学校。此资料仅用于教学目的，严禁用于商业用途。）\n\n\n黄海广\n\n## 目录说明\n\nppt：课程的PDF课件\n\ncode：课程的代码（Jupyter Notebook格式）\n\nvideo：课程的视频\n\nDeepLearning：《深度学习》课程的PPT（PDF版本）\n\n![gongzhong](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffengdu78_WZU-machine-learning-course_readme_114cd0712284.jpg)\n\n内容首发于微信公众号：机器学习初学者","# WZU-machine-learning-course 快速上手指南\n\n本指南旨在帮助开发者快速获取温州大学黄海广老师主讲的机器学习课程资源，包括课件、代码及视频资料。\n\n## 环境准备\n\n本课程代码主要基于 Python 和 Jupyter Notebook 运行。建议配置如下环境：\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux\n*   **Python 版本**：推荐 Python 3.8 及以上\n*   **核心依赖**：\n    *   Jupyter Notebook \u002F JupyterLab\n    *   NumPy, Pandas, Matplotlib, Scikit-learn\n*   **前置知识**：具备基础的 Python 编程能力\n\n> **提示**：国内用户推荐使用 [Anaconda](https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fhelp\u002Fanaconda\u002F)（清华镜像源）进行环境管理，可一键安装上述科学计算库。\n\n## 安装步骤\n\n### 1. 获取课程资源\n由于本项目主要为教学资料仓库，推荐直接下载整理好的资源包或克隆仓库。\n\n**方式一：Git 克隆（适合获取最新代码）**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FHuangGuangGuang\u002FWZU-machine-learning-course.git\ncd WZU-machine-learning-course\n```\n\n**方式二：百度网盘下载（包含 PPT 原版及完整资料）**\n*   **下载链接**：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1r7bgOa_4YYqdYax5aevRsA?pwd=pcmf\n*   **解压密码**：`haiguang2000`\n*   下载后解压，你将获得 `ppt` (课件), `code` (代码), `video` (视频) 等目录。\n\n### 2. 安装 Python 依赖\n进入代码目录并安装必要的 Python 库。建议使用国内镜像源加速安装。\n\n```bash\n# 进入代码目录\ncd code\n\n# 使用 pip 安装常用机器学习库（推荐清华源）\npip install numpy pandas matplotlib scikit-learn jupyter -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n课程代码以 Jupyter Notebook (`.ipynb`) 格式提供，便于交互式学习和演示。\n\n### 启动 Jupyter Notebook\n在终端中进入 `code` 目录，运行以下命令启动服务：\n\n```bash\njupyter notebook\n```\n\n系统会自动打开浏览器，显示当前目录下的文件列表。\n\n### 运行示例\n1.  在浏览器界面中，点击进入任意一个 `.ipynb` 文件（例如 `01-线性回归.ipynb`，具体文件名请以实际目录为准）。\n2.  点击单元格（Cell），按 `Shift + Enter` 执行代码。\n3.  结合 `ppt` 目录中的 PDF 课件对照学习，效果更佳。\n\n### 在线观看视频\n若需配合视频学习，可直接访问以下平台（已添加字幕）：\n*   **B 站地址**：https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1gP4y177cf\n*   **中国大学慕课**：https:\u002F\u002Fwww.icourse163.org\u002Fcourse\u002FWZU-1464096179\n\n> **注意**：本资源仅供个人学习与教学研究使用，请勿用于商业用途。高校教师如需教学大纲等更多资料，请使用 edu 邮箱联系作者。","某高校计算机系青年教师正准备开设本科生《机器学习》新课，急需构建一套体系完整、代码可运行的教学方案。\n\n### 没有 WZU-machine-learning-course 时\n- **备课资源零散**：需从全网各处拼凑理论课件与代码示例，导致知识点衔接生硬，缺乏统一的教学逻辑主线。\n- **代码复现困难**：找到的开源代码往往缺少详细注释或环境配置说明，课堂演示时极易报错，严重拖慢教学进度。\n- **教材配套缺失**：难以找到与国内出版教材完全同步的习题解析和教学大纲，无法有效评估学生的学习效果。\n- **视频资料受限**：优质网课常有学期访问限制或缺乏字幕，不便教师课前预习或截取片段用于混合式教学。\n\n### 使用 WZU-machine-learning-course 后\n- **体系一键获取**：直接采用黄海广老师整理的完整 PDF 课件与 Jupyter Notebook 代码库，课程内容紧扣《机器学习入门基础》教材，逻辑严密且循序渐进。\n- **代码即插即用**：课程代码经过教学验证，注释清晰且环境依赖明确，教师可直接在课堂实时运行演示，大幅提升授课流畅度。\n- **教学资源完备**：通过邮件申请即可获取官方教学大纲、进度表及习题库，轻松完成符合本科培养方案的课程设计。\n- **视频灵活调用**：利用 B 站带字幕的公开视频资源，打破学期限制，方便随时截取微课片段辅助讲解复杂算法原理。\n\nWZU-machine-learning-course 将原本耗时数月的备课工作缩短至数天，为高校教师提供了一套“课件 + 代码 + 视频 + 大纲”四位一体的标准化教学解决方案。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffengdu78_WZU-machine-learning-course_d2d67bf6.png","fengdu78","Huang Haiguang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffengdu78_2888b480.jpg","黄海广，计算机博士，微信公众号：机器学习初学者；知乎：黄海广；知识星球ID:92416895",null,"Qingdao,China","haiguang2000@qq.com","http:\u002F\u002Fwww.ai-start.com","https:\u002F\u002Fgithub.com\u002Ffengdu78",[86],{"name":87,"color":88,"percentage":89},"Jupyter Notebook","#DA5B0B",100,2049,734,"2026-04-05T08:02:39","","未说明",{"notes":96,"python":94,"dependencies":97},"该项目为温州大学机器学习课程资料库，主要包含 PDF 课件、Jupyter Notebook 代码示例及视频资源。README 中未提供具体的运行环境配置、依赖库列表或硬件需求说明。用户需根据 code 目录下的 Jupyter Notebook 文件自行确定所需的 Python 版本及机器学习库（如 scikit-learn, pandas 等）。部分资源（如 PPT）需要通过百度网盘下载并输入解压密码获取。",[],[18],"2026-03-27T02:49:30.150509","2026-04-07T22:51:02.945465",[],[]]