[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-gavinkhung--machine-learning-visualized":3,"tool-gavinkhung--machine-learning-visualized":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",142651,2,"2026-04-06T23:34:12",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":32,"env_os":98,"env_gpu":99,"env_ram":99,"env_deps":100,"category_tags":107,"github_topics":108,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":119},4750,"gavinkhung\u002Fmachine-learning-visualized","machine-learning-visualized","ML algorithms implemented and derived from first-principles in Jupyter Notebooks and NumPy","Machine Learning Visualized 是一个专注于机器学习算法原理可视化的开源教育项目。它通过 Jupyter Notebook 和 NumPy，从零开始推导并实现了神经网络、逻辑回归、主成分分析（PCA）及 K-Means 聚类等核心算法。\n\n该项目主要解决了机器学习学习中“黑盒”难理解的问题。传统教程往往直接调用现成库，掩盖了数学细节；而 Machine Learning Visualized 将复杂的数学公式与代码实现一一对应，并生成算法训练全过程的动态可视化图表，直观展示权重如何更新、损失函数如何收敛，让抽象的梯度下降过程变得清晰可见。\n\n这套资源非常适合希望深入理解算法底层逻辑的开发者、数据科学学生以及研究人员。对于想要摆脱对高级框架的依赖、夯实数学基础的学习者而言，它是极佳的辅助工具。\n\n其独特亮点在于结合了静态推导与动态交互：不仅提供详尽的数学推导笔记，还引入了基于 Marimo 构建的交互式笔记本，允许用户实时调整参数并观察其对模型的影响。此外，项目采用模块化仓库结构，利用 Jupyter Book 技术将分散的算法笔记整合成结构严谨的在线书籍，既方便","Machine Learning Visualized 是一个专注于机器学习算法原理可视化的开源教育项目。它通过 Jupyter Notebook 和 NumPy，从零开始推导并实现了神经网络、逻辑回归、主成分分析（PCA）及 K-Means 聚类等核心算法。\n\n该项目主要解决了机器学习学习中“黑盒”难理解的问题。传统教程往往直接调用现成库，掩盖了数学细节；而 Machine Learning Visualized 将复杂的数学公式与代码实现一一对应，并生成算法训练全过程的动态可视化图表，直观展示权重如何更新、损失函数如何收敛，让抽象的梯度下降过程变得清晰可见。\n\n这套资源非常适合希望深入理解算法底层逻辑的开发者、数据科学学生以及研究人员。对于想要摆脱对高级框架的依赖、夯实数学基础的学习者而言，它是极佳的辅助工具。\n\n其独特亮点在于结合了静态推导与动态交互：不仅提供详尽的数学推导笔记，还引入了基于 Marimo 构建的交互式笔记本，允许用户实时调整参数并观察其对模型的影响。此外，项目采用模块化仓库结构，利用 Jupyter Book 技术将分散的算法笔记整合成结构严谨的在线书籍，既方便在线阅读，也支持本地构建与扩展。","# Machine Learning Visualized\n\n![website](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgavinkhung_machine-learning-visualized_readme_887efa6ec6e4.gif)\n\nURL: [https:\u002F\u002Fml-visualized.com\u002F](https:\u002F\u002Fml-visualized.com\u002F)\n\nMachine Learning Visualized is a [Jupyter Book](https:\u002F\u002Fjupyterbook.org\u002Fen\u002Fstable\u002Fintro.html) containing Jupyter Notebooks that implement and mathematically derive machine learning algorithms from first-principles.\n\nThere are also Interactive Notebooks built with Marimo that allow you to see how the weights influence the loss functions.\n\nThe output of each notebook is a visualization of the machine learning algorithm throughout its training phase, ultimately converging at its optimal weights.\n\nThere is a separate Github Repository for each machine learning algorithm. Thus, this repository is simply the code to configure and build the Jupyter Book. At a very high level, Jupyter Books allow you to build a website with Markdown files and Jupyter Notebooks. Notice that none of the Jupyter Notebooks are in this repository. There is a SH script to download the relevant Jupyter Notebooks from other Github Repos. Once that is complete, the Jupyter Book can be built. The website is updated using the GitHub Action at `.github\u002Fworkflows\u002Fci.yml` after every commit or pull request. To build the website locally, see the Usage section below.\n\n## Jupyter Notebooks\n\n- [Neural Networks Repo](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fneural-network)\n- [Logistic Regression Repo](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Flogistic-regression)\n- [Perceptron Repo](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fperceptron)\n- [Principal Component Analysis Repo](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fpca)\n- [K Means Repo](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fk-means-clustering\u002F)\n- [Gradient Descent Repo](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fgradient-descent)\n\n## Jupyter Book Info\n\nTable of Contents and structure of the book is specified at `_toc.yml`.\n\nConfiguration is specified at `_config.yml`.\n\nFor more information, check out the [Jupyter Book Docs](https:\u002F\u002Fjupyterbook.org\u002Fen\u002Fstable\u002Fintro.html).\n\n## Usage\n\n### Step 1: Download the Jupyter Notebooks\n\n```sh\nchmod +x .\u002Fdownload_notebooks.sh\n.\u002Fdownload_notebooks.sh\n```\n\n### Step 2: Building the Jupyter Book\n\n#### Option 1: jupyter-book CLI\n\n```sh\npip install -U jupyter-book\njupyter-book build .\n```\n\n#### Option 2: Docker Compose\n\n```sh\ndocker compose run jupyter-book \ndocker compose down --volumes --rmi local\n```\n\n#### Option 3: Docker\n\n```sh\ndocker build -f Dockerfile.book -t jupyter-book .\ndocker run --rm -v \"$(pwd)\":\u002Fusr\u002Fsrc\u002Fapp jupyter-book\n\ndocker stop jupyter-book\ndocker rm jupyter-book\ndocker rmi jupyter-book\n```\n\n### Step 3: Open the Jupyter Book\n\nNavigate to `_build\u002Fhtml\u002Findex.html`\n\n## Build EPUB (NEW)\n\n```sh\nbrew install --cask mactex\nnbmerge $(ls chapter1\u002F*.ipynb chapter2\u002F*.ipynb chapter3\u002F*.ipynb chapter4\u002F*.ipynb | sort) -o book\u002Fcombined.ipynb\njupyter nbconvert --to latex book\u002Fcombined.ipynb\n\ndocker build -f Dockerfile.pandoc -t my-pandoc .\ndocker run --rm -v $(pwd):\u002Fdata my-pandoc pandoc book\u002Fmain.tex -o book\u002Fmain.epub --mathml --embed-resources --standalone\n```\n\n## Output\n\n### Marimo Interactive Notebooks\n\n![Marimo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgavinkhung_machine-learning-visualized_readme_2530aff42c0b.gif)\n\n### Mathematically Explained\n\n![latex](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgavinkhung_machine-learning-visualized_readme_ac51c44cf621.gif)\n","# 机器学习可视化\n\n![网站](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgavinkhung_machine-learning-visualized_readme_887efa6ec6e4.gif)\n\n网址：[https:\u002F\u002Fml-visualized.com\u002F](https:\u002F\u002Fml-visualized.com\u002F)\n\n机器学习可视化是一个 [Jupyter Book](https:\u002F\u002Fjupyterbook.org\u002Fen\u002Fstable\u002Fintro.html) 项目，包含了一系列 Jupyter Notebook，这些笔记本从基本原理出发实现并推导机器学习算法的数学公式。\n\n此外，还提供了使用 Marimo 构建的交互式 Notebook，允许用户直观地观察权重如何影响损失函数。\n\n每个 Notebook 的输出都是机器学习算法在训练过程中的可视化展示，最终会收敛到最优的权重值。\n\n每个机器学习算法都有一个独立的 GitHub 仓库。因此，本仓库仅包含用于配置和构建 Jupyter Book 的代码。从高层次来看，Jupyter Book 允许你使用 Markdown 文件和 Jupyter Notebook 来构建一个网站。请注意，本仓库中并不包含任何 Jupyter Notebook。我们提供了一个 Shell 脚本，可以从其他 GitHub 仓库下载所需的 Jupyter Notebook。完成下载后，即可构建 Jupyter Book。每当有提交或拉取请求时，GitHub Actions 将通过 `.github\u002Fworkflows\u002Fci.yml` 自动更新网站。如需在本地构建网站，请参阅下方的“使用方法”部分。\n\n## Jupyter Notebook 列表\n\n- [神经网络仓库](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fneural-network)\n- [逻辑回归仓库](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Flogistic-regression)\n- [感知机仓库](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fperceptron)\n- [主成分分析仓库](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fpca)\n- [K 均值聚类仓库](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fk-means-clustering\u002F)\n- [梯度下降仓库](https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fgradient-descent)\n\n## Jupyter Book 信息\n\n本书的目录结构在 `_toc.yml` 中定义。\n\n配置信息则在 `_config.yml` 中指定。\n\n如需更多信息，请参阅 [Jupyter Book 官方文档](https:\u002F\u002Fjupyterbook.org\u002Fen\u002Fstable\u002Fintro.html)。\n\n## 使用方法\n\n### 第一步：下载 Jupyter Notebook\n\n```sh\nchmod +x .\u002Fdownload_notebooks.sh\n.\u002Fdownload_notebooks.sh\n```\n\n### 第二步：构建 Jupyter Book\n\n#### 方法一：使用 jupyter-book CLI\n\n```sh\npip install -U jupyter-book\njupyter-book build .\n```\n\n#### 方法二：使用 Docker Compose\n\n```sh\ndocker compose run jupyter-book \ndocker compose down --volumes --rmi local\n```\n\n#### 方法三：直接使用 Docker\n\n```sh\ndocker build -f Dockerfile.book -t jupyter-book .\ndocker run --rm -v \"$(pwd)\":\u002Fusr\u002Fsrc\u002Fapp jupyter-book\n\ndocker stop jupyter-book\ndocker rm jupyter-book\ndocker rmi jupyter-book\n```\n\n### 第三步：打开 Jupyter Book\n\n导航至 `_build\u002Fhtml\u002Findex.html` 即可查看。\n\n## 构建 EPUB（新功能）\n\n```sh\nbrew install --cask mactex\nnbmerge $(ls chapter1\u002F*.ipynb chapter2\u002F*.ipynb chapter3\u002F*.ipynb chapter4\u002F*.ipynb | sort) -o book\u002Fcombined.ipynb\njupyter nbconvert --to latex book\u002Fcombined.ipynb\n\ndocker build -f Dockerfile.pandoc -t my-pandoc .\ndocker run --rm -v $(pwd):\u002Fdata my-pandoc pandoc book\u002Fmain.tex -o book\u002Fmain.epub --mathml --embed-resources --standalone\n```\n\n## 输出效果\n\n### Marimo 交互式 Notebook\n\n![Marimo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgavinkhung_machine-learning-visualized_readme_2530aff42c0b.gif)\n\n### 数学推导说明\n\n![latex](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgavinkhung_machine-learning-visualized_readme_ac51c44cf621.gif)","# Machine Learning Visualized 快速上手指南\n\nMachine Learning Visualized 是一个基于 Jupyter Book 构建的开源项目，旨在通过从零开始的数学推导和代码实现，可视化展示机器学习算法的训练过程。项目包含交互式 Notebook（基于 Marimo），可直观观察权重变化对损失函数的影响。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (需安装 WSL2 或 Docker Desktop)\n*   **核心依赖**（任选其一方案）：\n    *   **方案 A (推荐)**: Python 3.8+ 及 `pip`\n    *   **方案 B**: Docker 及 Docker Compose\n*   **可选依赖** (用于构建 EPUB):\n    *   macOS: `brew install --cask mactex`\n    *   Linux\u002FWindows: 需手动安装 TeX Live 和 Pandoc\n\n## 安装步骤\n\n### 1. 克隆项目并下载笔记\n\n首先克隆仓库，然后运行脚本下载各个算法独立的 Jupyter Notebook 文件（注意：主仓库不包含具体的 `.ipynb` 文件，必须执行此步骤）。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgavinkhung\u002Fmachine-learning-visualized.git\ncd machine-learning-visualized\n\nchmod +x .\u002Fdownload_notebooks.sh\n.\u002Fdownload_notebooks.sh\n```\n\n> **提示**：如果下载速度较慢，可检查 `download_notebooks.sh` 脚本中的 GitHub URL，尝试替换为国内镜像源（如 `ghproxy.com` 前缀）进行加速。\n\n### 2. 构建本地网站\n\n您可以选择以下三种方式之一来构建本地的 Jupyter Book 网站：\n\n#### 选项一：使用 pip 安装 (最简便)\n\n```bash\npip install -U jupyter-book\njupyter-book build .\n```\n\n#### 选项二：使用 Docker Compose\n\n```bash\ndocker compose run jupyter-book \n# 构建完成后清理容器\ndocker compose down --volumes --rmi local\n```\n\n#### 选项三：使用原生 Docker\n\n```bash\ndocker build -f Dockerfile.book -t jupyter-book .\ndocker run --rm -v \"$(pwd)\":\u002Fusr\u002Fsrc\u002Fapp jupyter-book\n\n# 清理资源\ndocker stop jupyter-book\ndocker rm jupyter-book\ndocker rmi jupyter-book\n```\n\n## 基本使用\n\n构建成功后，您需要在浏览器中打开生成的静态网页来查看可视化的机器学习算法演示。\n\n1.  **打开页面**：\n    在文件管理器中导航至项目根目录下的 `_build\u002Fhtml\u002F` 文件夹，双击打开 `index.html`；或在终端使用以下命令（macOS\u002FLinux）：\n\n    ```bash\n    open _build\u002Fhtml\u002Findex.html\n    # Linux 用户可能需要使用: xdg-open _build\u002Fhtml\u002Findex.html\n    ```\n\n2.  **浏览内容**：\n    *   **算法推导**：点击左侧目录选择不同算法（如神经网络、逻辑回归、K-Means 等），查看详细的数学公式推导（LaTeX 渲染）。\n    *   **动态可视化**：滚动页面查看算法训练过程中的动态图表，观察模型如何收敛至最优权重。\n    *   **交互实验**：如果构建了 Marimo 交互式笔记，您可以调整参数实时观察权重变化对损失函数曲面的影响。\n\n### (可选) 构建 EPUB 电子书\n\n如果您希望将内容导出为电子书格式，可执行以下命令（需预先安装 MacTeX 和 Pandoc）：\n\n```bash\nnbmerge $(ls chapter1\u002F*.ipynb chapter2\u002F*.ipynb chapter3\u002F*.ipynb chapter4\u002F*.ipynb | sort) -o book\u002Fcombined.ipynb\njupyter nbconvert --to latex book\u002Fcombined.ipynb\n\ndocker build -f Dockerfile.pandoc -t my-pandoc .\ndocker run --rm -v $(pwd):\u002Fdata my-pandoc pandoc book\u002Fmain.tex -o book\u002Fmain.epub --mathml --embed-resources --standalone\n```","某高校数据科学讲师正在准备“机器学习数学基础”课程，急需向学生直观展示算法从公式推导到收敛的全过程。\n\n### 没有 machine-learning-visualized 时\n- 教师需手动编写大量 NumPy 代码从零实现算法，耗时数周且容易在矩阵运算细节上出错。\n- 学生面对枯燥的 LaTeX 公式和静态图表，难以理解权重更新如何动态影响损失函数的变化轨迹。\n- 缺乏交互式实验环境，学生无法实时调整参数观察模型收敛过程，导致对梯度下降等核心概念一知半解。\n- 课程资料分散在各个独立的 GitHub 仓库中，整合成统一教材或网站的工作量巨大且维护困难。\n\n### 使用 machine-learning-visualized 后\n- 直接调用基于第一性原理推导好的 Jupyter Notebook，涵盖神经网络、逻辑回归等核心算法，备课效率提升 80%。\n- 通过内置的 Marimo 交互笔记本，学生能拖动滑块实时查看权重变化对损失曲面的影响，将抽象数学具象化。\n- 每个算法都自动生成训练全过程的动态可视化视频，清晰展示模型如何一步步收敛至最优解，极大降低理解门槛。\n- 利用 Jupyter Book 一键将分散的笔记构建为结构清晰的在线网站或 EPUB 电子书，轻松发布统一的教学资源。\n\nmachine-learning-visualized 将晦涩的数学推导转化为可交互、可视化的学习体验，真正实现了“看见”机器学习的内部运作机制。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgavinkhung_machine-learning-visualized_887efa6e.gif","gavinkhung","Gavin Hung","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgavinkhung_f5e7651b.jpg","CS @ University of Maryland","University of Maryland, College Park",null,"ml-visualized.com\u002F","https:\u002F\u002Fgithub.com\u002Fgavinkhung",[82,86,90],{"name":83,"color":84,"percentage":85},"TeX","#3D6117",98.4,{"name":87,"color":88,"percentage":89},"Shell","#89e051",1.1,{"name":91,"color":92,"percentage":93},"CSS","#663399",0.5,1123,92,"2026-04-06T18:55:20","MIT","Linux, macOS, Windows","未说明",{"notes":101,"python":99,"dependencies":102},"该项目是一个 Jupyter Book 构建工具，本身不包含算法代码，需运行提供的 shell 脚本从其他仓库下载 Jupyter Notebook。支持通过 CLI、Docker Compose 或 Docker 进行本地构建。若需生成 EPUB 格式，macOS 用户需安装 MacTeX，且构建过程依赖 Pandoc 和 LaTeX 环境。",[103,104,105,106],"jupyter-book","marimo","pandoc","latex (mactex)",[14],[109,110,111,112,113,114,115],"book","jupyter-notebook","latex","machine-learning","numpy","python","neural-network","2026-03-27T02:49:30.150509","2026-04-07T09:48:14.660196",[],[]]