[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-girafe-ai--ml-course":3,"tool-girafe-ai--ml-course":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":94,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":101,"github_topics":102,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":116},3156,"girafe-ai\u002Fml-course","ml-course","Open Machine Learning course","ml-course 是由 girafe-ai 团队开源的机器学习入门课程资源库，旨在为学习者提供系统化的第一学期教学内容。它解决了初学者在寻找高质量、结构完整且包含实战练习的机器学习学习资料时面临的痛点，将理论知识与代码实践紧密结合。\n\n这套课程非常适合希望夯实基础的开发者、计算机专业学生以及对人工智能感兴趣的研究人员使用。内容涵盖从线性代数复习、朴素贝叶斯、kNN、线性回归与分类，到支持向量机（SVM）、主成分分析（PCA）、决策树集成、梯度提升（Gradient Boosting），再到深度学习入门、反向传播及正则化技术（Dropout\u002FBatchnorm）等核心主题。\n\n其独特亮点在于“全链路”的学习体验：不仅提供了详细的讲座视频回放和幻灯片，还配套了每周的预热测试、编程作业（如从零实现 kNN 或决策树）及明确的时间节点。这种“理论讲解 + 习题演练 + 代码实战”的模式，帮助用户不仅能听懂算法原理，更能亲手写出可运行的模型，是自学机器学习不可多得的优质路线图。","[**Ссылка на ветку ML тренировок Яндекса 2023**](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Ftree\u002F23f_yandex_ml_trainings)\n\n# Machine Learning course\nFirst semester of girafe-ai Machine Learning course\n\n## Recordings and materials\n\n| Date   | Content                | Lecture video | Slides               | WarmUp test             | HW                  | Deadline          | Comments |\n|:------:|:-----------------------|:------------:|:------------:|:-----------------------:|:------------------------:|:----------------------:|:----------------------:|\n| 05.09.2022 | Week01. Intro, Naive Bayes and kNN. | [Запись лекции 2021](https:\u002F\u002Fyoutu.be\u002F74Kd-rNxSm0) [Запись семинара 2021](https:\u002F\u002Fyoutu.be\u002FbzCwHkO-YEk)| [Слайды](week0_01_naive_bayes\u002Flect001_intro_knn_naive_bayes.pdf) | | [Assignment 01: kNN](homeworks\u002Fassignment0_01_knn) | 23.59 AOE, 03.10.2022 | *По техническим причинам запись лекции 2022 года не велась*\n| 12.09.2022 | extra Week. Linear algebra recap. | [Запись лекции](https:\u002F\u002Fyoutu.be\u002FvKfdtHnXVEY?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM) [Запись семинара 2022](https:\u002F\u002Fyoutu.be\u002FHa3pJJnt5YA?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM)| [Слайды](week0_00_linear_algebra_recap\u002Flecture00-linear_algebra_recap.pdf) |  | |  |  |\n| 19.09.2022     | Week02. Linear Regression. | [Запись лекции](https:\u002F\u002Fyoutu.be\u002FimzlM4jRbD4?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM) [Запись семинара 2022](https:\u002F\u002Fyoutu.be\u002FLLGLeM3JKDQ?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM) | [Слайды](week0_02_linear_reg\u002Flect002_linear_regression.pdf) |  |  [Assignment 02: Linear Regression](homeworks\u002Fassignment0_02_lin_reg) | 23.59 AOE, 10.10.2022 |  |\n| 26.09.2022     | Week03. Linear Classification. | [Запись лекции](https:\u002F\u002Fyoutu.be\u002Fdb1XU_WJHFs?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM) [Запись семинара 2022](https:\u002F\u002Fyoutu.be\u002FvSeETg1two8)   | [Слайды](week0_03_linear_classification\u002Fmsai-ml_s21_lect003_logistic_regression.pdf)   |  | [Lab01: ML pipeline](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Ftree\u002F22f_basic\u002Fhomeworks\u002Flab01_ml_pipeline) | 23.59 AOE 10.11.2022 | \n| 03.10.2022     | Week04. SVM, PCA. | [Запись лекции](https:\u002F\u002Fyoutu.be\u002FmlA-XxC9Ugg?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM) [Запись семинара 2022](https:\u002F\u002Fyoutu.be\u002Fz-JqKoyHHRI?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM)   | [Слайды](week0_04_svm_and_pca\u002Flect004_svm_pca.pdf) |  |  [Assignment 03: SVM kernel](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Ftree\u002F22f_basic\u002Fhomeworks\u002Fassignment0_03_svm) | 23.59 AOE, 24.10.2022 |  \n| 10.10.2022     | Week05. Trees and ensembles | [Запись лекции](https:\u002F\u002Fyoutu.be\u002FkbNZsQj2eHk)   | [Слайды](week0_05_trees_and_ensembles\u002Flect005_trees_and_ensembles_style.pdf) | | [Optional assignment 04: Tree from scratch](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Ftree\u002F22f_basic\u002Fhomeworks\u002Fassignment0_04_tree) | 23.59 AOE, 22.12.2022 | Вместо семинара проходила контрольная работа | \n| 17.10.2022     | Week06. Gradient boosting | [Запись лекции](https:\u002F\u002Fyoutu.be\u002FY97xrRiLY1Q) [Запись семинара](https:\u002F\u002Fyoutu.be\u002F4vo39B6M270)   | [Слайды](week0_06_boosting\u002Fweek0_06_gradient_boosting.pdf) | | | |  | \n| 24.10.2022     | Week07. Разбор теста | [Запись разбора](https:\u002F\u002Fyoutu.be\u002FYiO1N6yVJcg)    |  | | | | Вместо лекции были тест и разбор. | \n| 31.10.2022     | Week08. Intro into Deep Learning | [Запись лекции](https:\u002F\u002Fyoutu.be\u002FG--msc2IR-Y) [Запись семинара](https:\u002F\u002Fyoutu.be\u002F0WMAfRuFHy8)   | [Слайды](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Fblob\u002F22f_basic\u002Fweek0_07_intro_to_DL\u002Flect007_intro_to_dl_style.pdf) | | | |  | \n| 07.11.2022     | Week09. Backpropogation |  [Запись семинара](https:\u002F\u002Fyoutu.be\u002FHGk5xQ0azdo)   | [Слайды]() | | | | Лекция не велась по причине болезни преподавателя, однако был проведён дополнительный семинар по backpropogation | \n| 14.11.2022     | Week10. Dropout and Batchnorm | [Запись лекции](https:\u002F\u002Fyoutu.be\u002FUtEV_ILJTA0) [Запись семинара](https:\u002F\u002Fyoutu.be\u002Ftq-mmdsW5QI)   | [Слайды](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Fblob\u002F22f_basic\u002Fweek0_08_dropout_batchnorm\u002Flect008_deeplearning_part_2_style.pdf) | | | |  | \n| 21.11.2022     | Week11. Embeddings and seq2seq model | [Запись лекции](https:\u002F\u002Fyoutu.be\u002FkUAnB_Leg6E) [Запись семинара](https:\u002F\u002Fyoutu.be\u002FKOIEozoCQo0)   | [Слайды](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Fblob\u002F22f_basic\u002Fweek0_09_embeddings_and_seq2seq\u002Flect009_Language_models_and_RNN.pdf) | | | |  | \n\n\n\n## Prerequisites\nPrerequisites are located [here](.\u002Fprerequisites.md).\n\n## Literature:\n1. [YSDA ML Book](https:\u002F\u002Facademy.yandex.ru\u002Fdataschool\u002Fbook) (Russian only)\n2. Probabilistic Machine Learning: An Introduction; [English link](https:\u002F\u002Fprobml.github.io\u002Fpml-book\u002Fbook1.html), [Русский перевод](https:\u002F\u002Fdmkpress.com\u002Fcatalog\u002Fcomputer\u002Fdata\u002F978-5-93700-119-1\u002F)\n3. Deep Learning Book: [English link](https:\u002F\u002Fwww.deeplearningbook.org\u002F). Первая часть (Part I) крайне рекомендуется к прочтению.\n \nMore additional materials are available [here](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Fblob\u002F22f_basic\u002Fextra_materials.md)\n\n## Exam program:\nAvailable [here](.\u002Fapproximate_program.pdf)\n\n\n## Main authors:\n* Radoslav Neychev\n* Vladislav Goncharenko\n\n## Contributors:\n* Iurii Efimov\n* Nikolay Karpachev\n* Ivan Provilkov\n* Valery Marchenkov\n* Anastasia Ianina\n* Irina Rudenko\n* Fedor Ryabov\n\n## Acknowledgements:\nSpecial thanks to:\n* Stanislav Fedotov, YSDA for informative discussions, program verification and support.\n* Konstantiv Vorontsov\n* Vadim Strijov for teaching this course teachers\n* Just Heuristic\n\n\n\n\n","[**2023年 Yandex 机器学习训练营链接**](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Ftree\u002F23f_yandex_ml_trainings)\n\n# 机器学习课程\ngirafe-ai 机器学习课程第一学期\n\n## 录像与资料\n\n| 日期   | 内容                | 讲座视频 | 幻灯片               | 热身测试             | 作业                  | 截止时间          | 备注 |\n|:------:|:-----------------------|:------------:|:------------:|:-----------------------:|:------------------------:|:----------------------:|:----------------------:|\n| 05.09.2022 | Week01. 介绍、朴素贝叶斯和k近邻。 | [2021年讲座录像](https:\u002F\u002Fyoutu.be\u002F74Kd-rNxSm0) [2021年研讨课录像](https:\u002F\u002Fyoutu.be\u002FbzCwHkO-YEk)| [幻灯片](week0_01_naive_bayes\u002Flect001_intro_knn_naive_bayes.pdf) | | [作业01：k近邻](homeworks\u002Fassignment0_01_knn) | 23:59 AOE, 03.10.2022 | *由于技术原因，2022年的讲座未录制*\n| 12.09.2022 | 补充周。线性代数回顾。 | [讲座录像](https:\u002F\u002Fyoutu.be\u002FvKfdtHnXVEY?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM) [2022年研讨课录像](https:\u002F\u002Fyoutu.be\u002FHa3pJJnt5YA?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM)| [幻灯片](week0_00_linear_algebra_recap\u002Flecture00-linear_algebra_recap.pdf) |  | |  |  |\n| 19.09.2022     | Week02. 线性回归。 | [讲座录像](https:\u002F\u002Fyoutu.be\u002FimzlM4jRbD4?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM) [2022年研讨课录像](https:\u002F\u002Fyoutu.be\u002FLLGLeM3JKDQ?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM) | [幻灯片](week0_02_linear_reg\u002Flect002_linear_regression.pdf) |  |  [作业02：线性回归](homeworks\u002Fassignment0_02_lin_reg) | 23:59 AOE, 10.10.2022 |  |\n| 26.09.2022     | Week03. 线性分类。 | [讲座录像](https:\u002F\u002Fyoutu.be\u002Fdb1XU_WJHFs?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM) [2022年研讨课录像](https:\u002F\u002Fyoutu.be\u002FvSeETg1two8)   | [幻灯片](week0_03_linear_classification\u002Fmsai-ml_s21_lect003_logistic_regression.pdf)   |  | [实验01：机器学习流水线](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Ftree\u002F22f_basic\u002Fhomeworks\u002Flab01_ml_pipeline) | 23:59 AOE 10.11.2022 | \n| 03.10.2022     | Week04. SVM、PCA。 | [讲座录像](https:\u002F\u002Fyoutu.be\u002FmlA-XxC9Ugg?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM) [2022年研讨课录像](https:\u002F\u002Fyoutu.be\u002Fz-JqKoyHHRI?list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM)   | [幻灯片](week0_04_svm_and_pca\u002Flect004_svm_pca.pdf) |  |  [作业03：SVM核函数](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Ftree\u002F22f_basic\u002Fhomeworks\u002Fassignment0_03_svm) | 23:59 AOE, 24.10.2022 |  \n| 10.10.2022     | Week05. 树与集成方法 | [讲座录像](https:\u002F\u002Fyoutu.be\u002FkbNZsQj2eHk)   | [幻灯片](week0_05_trees_and_ensembles\u002Flect005_trees_and_ensembles_style.pdf) | | [选做作业04：从零实现一棵树](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Ftree\u002F22f_basic\u002Fhomeworks\u002Fassignment0_04_tree) | 23:59 AOE, 22.12.2022 | 研讨课被期中考试取代 | \n| 17.10.2022     | Week06. 梯度提升 | [讲座录像](https:\u002F\u002Fyoutu.be\u002FY97xrRiLY1Q) [研讨课录像](https:\u002F\u002Fyoutu.be\u002F4vo39B6M270)   | [幻灯片](week0_06_boosting\u002Fweek0_06_gradient_boosting.pdf) | | | |  | \n| 24.10.2022     | Week07. 测试讲解 | [讲解录像](https:\u002F\u002Fyoutu.be\u002FYiO1N6yVJcg)    |  | | | | 讲座被测试及讲解代替。 | \n| 31.10.2022     | Week08. 深度学习入门 | [讲座录像](https:\u002F\u002Fyoutu.be\u002FG--msc2IR-Y) [研讨课录像](https:\u002F\u002Fyoutu.be\u002F0WMAfRuFHy8)   | [幻灯片](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Fblob\u002F22f_basic\u002Fweek0_07_intro_to_DL\u002Flect007_intro_to_dl_style.pdf) | | | |  | \n| 07.11.2022     | Week09. 反向传播 |  [研讨课录像](https:\u002F\u002Fyoutu.be\u002FHGk5xQ0azdo)   | [幻灯片]() | | | | 因授课教师生病，讲座未进行，但额外举行了反向传播的研讨课 | \n| 14.11.2022     | Week10. Dropout与Batchnorm | [讲座录像](https:\u002F\u002Fyoutu.be\u002FUtEV_ILJTA0) [研讨课录像](https:\u002F\u002Fyoutu.be\u002Ftq-mmdsW5QI)   | [幻灯片](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Fblob\u002F22f_basic\u002Fweek0_08_dropout_batchnorm\u002Flect008_deeplearning_part_2_style.pdf) | | | |  | \n| 21.11.2022     | Week11. 嵌入与seq2seq模型 | [讲座录像](https:\u002F\u002Fyoutu.be\u002FkUAnB_Leg6E) [研讨课录像](https:\u002F\u002Fyoutu.be\u002FKOIEozoCQo0)   | [幻灯片](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Fblob\u002F22f_basic\u002Fweek0_09_embeddings_and_seq2seq\u002Flect009_Language_models_and_RNN.pdf) | | | |  | \n\n\n\n## 先修课程\n先修课程请见[这里](.\u002Fprerequisites.md)。\n\n## 参考文献：\n1. [YSDA 机器学习书籍](https:\u002F\u002Facademy.yandex.ru\u002Fdataschool\u002Fbook)（仅俄语）\n2. 概率机器学习导论；[英文链接](https:\u002F\u002Fprobml.github.io\u002Fpml-book\u002Fbook1.html), [俄文译本](https:\u002F\u002Fdmkpress.com\u002Fcatalog\u002Fcomputer\u002Fdata\u002F978-5-93700-119-1\u002F)\n3. 深度学习书籍：[英文链接](https:\u002F\u002Fwww.deeplearningbook.org\u002F)。强烈建议阅读第一部分（Part I）。\n\n更多补充材料请见[这里](https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course\u002Fblob\u002F22f_basic\u002Fextra_materials.md)\n\n## 考试大纲：\n可在[这里](.\u002Fapproximate_program.pdf)查看\n\n\n## 主要作者：\n* Radoslav Neychev\n* Vladislav Goncharenko\n\n## 贡献者：\n* Iurii Efimov\n* Nikolay Karpachev\n* Ivan Provilkov\n* Valery Marchenkov\n* Anastasia Ianina\n* Irina Rudenko\n* Fedor Ryabov\n\n## 致谢：\n特别感谢：\n* Stanislav Fedotov, YSDA 提供了富有启发性的讨论、课程验证和支持。\n* Konstantiv Vorontsov\n* Vadim Strijov 教授们教授本课程\n* Just Heuristic","# ml-course 快速上手指南\n\n`ml-course` 是 girafe-ai 推出的机器学习开源课程（第一学期），涵盖从基础算法（如朴素贝叶斯、kNN）到深度学习（如反向传播、Seq2Seq）的完整内容。本指南帮助你快速开始学习。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Linux, macOS 或 Windows (建议配合 WSL2 使用)\n- **Python 版本**：推荐 Python 3.8 及以上版本\n- **包管理工具**：pip 或 conda\n\n### 前置依赖\n在开始之前，请确保你具备以下基础：\n- 基础的 Python 编程能力\n- 线性代数与概率统计基础\n- 熟悉 Jupyter Notebook 操作\n\n> **注意**：详细的前置知识清单请参阅项目根目录下的 [prerequisites.md](.\u002Fprerequisites.md) 文件。\n\n## 安装步骤\n\n### 1. 克隆仓库\n使用 Git 将课程代码克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgirafe-ai\u002Fml-course.git\ncd ml-course\n```\n\n> **国内加速提示**：如果访问 GitHub 较慢，可使用国内镜像源（如 Gitee 镜像，若有）或通过代理加速克隆过程。\n\n### 2. 创建虚拟环境\n建议使用 `conda` 或 `venv` 隔离环境。\n\n**使用 Conda:**\n```bash\nconda create -n ml-course python=3.9\nconda activate ml-course\n```\n\n**使用 venv:**\n```bash\npython -m venv ml-course-env\nsource ml-course-env\u002Fbin\u002Factivate  # Linux\u002FmacOS\n# ml-course-env\\Scripts\\activate   # Windows\n```\n\n### 3. 安装依赖库\n进入具体的作业文件夹（例如 `homeworks\u002Fassignment0_01_knn`）或根目录（若存在全局 requirements），安装所需的 Python 库。通常每个作业文件夹下会有独立的 `requirements.txt`。\n\n```bash\n# 示例：安装第一周作业的依赖\ncd homeworks\u002Fassignment0_01_knn\npip install -r requirements.txt\n```\n\n*注：部分章节可能需要安装 `numpy`, `pandas`, `scikit-learn`, `matplotlib`, `torch` 等通用库。*\n\n## 基本使用\n\n本课程主要通过 **Jupyter Notebook** 进行理论学习与代码实践。\n\n### 1. 启动学习界面\n在包含作业文件的目录下启动 Jupyter Notebook：\n\n```bash\njupyter notebook\n```\n\n浏览器将自动打开，显示当前目录下的文件列表。\n\n### 2. 开始第一个任务\n以第一周作业 **Assignment 01: kNN** 为例：\n\n1. 在 Jupyter 界面中点击 `assignment0_01_knn.ipynb` (或类似名称的笔记本文件)。\n2. 按照 Notebook 中的单元格顺序执行代码。\n3. 阅读理论介绍，完成标记为 `TODO` 的代码填空部分。\n4. 运行测试单元格验证结果。\n\n### 3. 获取学习资料\n- **视频讲座**：点击 README 表格中对应周次的 \"Lecture video\" 链接（主要为俄语，部分配有英语字幕或可通过浏览器插件翻译）。\n- **课件幻灯片**：下载表格中 \"Slides\" 列对应的 PDF 文件进行预习或复习。\n- **参考书籍**：\n    - [YSDA ML Book](https:\u002F\u002Facademy.yandex.ru\u002Fdataschool\u002Fbook) (俄语)\n    - [Probabilistic Machine Learning](https:\u002F\u002Fprobml.github.io\u002Fpml-book\u002Fbook1.html) (英语\u002F俄语译本)\n    - [Deep Learning Book](https:\u002F\u002Fwww.deeplearningbook.org\u002F) (重点推荐阅读 Part I)\n\n### 4. 提交作业 (可选)\n如果是参加正式训练营，需在规定截止日期前（见 README 表格 Deadline 列）将完成的 Notebook 提交至指定平台。自学用户可自行保存进度。","某互联网公司的初级数据分析师李明，需要在一个月内从零掌握机器学习核心算法，以独立承担用户流失预测项目的建模任务。\n\n### 没有 ml-course 时\n- **知识体系碎片化**：李明在网络上搜索教程，只能找到零散的博客和过时的视频，难以构建从线性回归到梯度提升树的完整知识脉络。\n- **理论与实践脱节**：虽然看懂了 SVM 或反向传播的数学公式，但缺乏配套的代码实现指导，不知道如何将其转化为实际的 Python 工程代码。\n- **学习进度难把控**：缺少明确的课程表、作业截止日期和阶段性测试，导致自学节奏松散，遇到难点容易停滞不前。\n- **缺乏实战演练**：没有类似\"ML 流水线构建”或“从零实现决策树”这样的强制性实验作业，导致动手能力提升缓慢。\n\n### 使用 ml-course 后\n- **系统化学习路径**：李明跟随课程安排的 10 周计划，按部就班地从基础代数复习进阶到深度学习，每周的视频讲座和幻灯片提供了结构严谨的知识框架。\n- **讲练深度结合**：通过完成\"kNN 分类”、\"SVM 核函数”等具体作业，他直接将讲座中的理论应用于代码实践，迅速掌握了算法落地细节。\n- **节奏清晰明确**：课程提供的详细时间表、热身测试和作业截止期限（Deadline），帮助他建立了高效的学习节奏，确保按时覆盖所有核心考点。\n- **全流程项目经验**：借助\"ML 流水线”实验室任务，他不仅学会了单一模型，还掌握了数据预处理、模型训练到评估的完整工业界开发流程。\n\nml-course 通过提供结构化的课程体系与高强度的实战作业，将原本混乱的自学过程转变为高效、可落地的专业技能成长路径。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgirafe-ai_ml-course_b41f941f.png","girafe-ai","girafe.ai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgirafe-ai_7454eb73.png","Open courses on Artificial Intelligence",null,"http:\u002F\u002Fgirafe.ai\u002F","https:\u002F\u002Fgithub.com\u002Fgirafe-ai",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",99.3,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0.7,3455,1300,"2026-04-02T09:36:53","MIT",1,"","未说明",{"notes":99,"python":97,"dependencies":100},"README 中未直接列出运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库），具体前置要求需参考项目链接中的 'prerequisites.md' 文件。该项目为机器学习课程资料，包含从基础算法到深度学习的多个作业和实验。",[],[13,14,26],[103,104,105,106,107,108,109,110,111,112],"machine-learning","python","course","deep-learning","pytorch","natural-language-processing","reinforcement-learning","computer-vision","materials","seminars","2026-03-27T02:49:30.150509","2026-04-06T05:37:43.549334",[],[117,122,127,132,137],{"id":118,"version":119,"summary_zh":120,"released_at":121},81461,"2020_fall","2020年秋季上线以来，基础与进阶赛道的材料最终状态","2022-02-12T16:07:31",{"id":123,"version":124,"summary_zh":125,"released_at":126},81462,"2020_spring","2020年春季上线以来，基础与进阶赛道的材料最终状态","2022-02-12T16:06:49",{"id":128,"version":129,"summary_zh":130,"released_at":131},81463,"2019_fall","2019年秋季上线以来，基础与进阶赛道的最终材料状态","2022-02-12T16:04:52",{"id":133,"version":134,"summary_zh":135,"released_at":136},81464,"2019_spring","2019年春季上线以来，基础与进阶赛道的材料最终状态","2022-02-12T08:52:48",{"id":138,"version":139,"summary_zh":140,"released_at":141},81465,"2021_spring","2021年春季上线以来，基础与进阶赛道的材料最终状态","2021-09-11T13:10:36"]