[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-greerviau--SnakeAI":3,"tool-greerviau--SnakeAI":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。",85092,2,"2026-04-10T11:13:16",[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},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[19,14,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},5773,"cs-video-courses","Developer-Y\u002Fcs-video-courses","cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。\n\n面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。\n\n这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。",79792,"2026-04-08T22:03:59",[18,13,14,20],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"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":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"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。",75832,"2026-04-17T21:58:25",[19,13,20,18],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"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,"2026-04-03T21:50:24",[20,18],{"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":76,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":97,"env_deps":98,"category_tags":102,"github_topics":82,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":22,"created_at":103,"updated_at":104,"faqs":105,"releases":106},8683,"greerviau\u002FSnakeAI","SnakeAI","Train a Neural Network to play Snake using a Genetic Algorithm","SnakeAI 是一个基于遗传算法训练神经网络玩“贪吃蛇”游戏的开源项目。它通过模拟生物进化过程，让 AI 自主学会如何躲避障碍、寻找食物并尽可能获得高分，解决了传统规则编程难以应对复杂动态环境的问题。\n\n该项目适合对人工智能、机器学习感兴趣的开发者、学生及研究人员使用，尤其适合作为学习神经网络结构与进化策略的教学案例。用户无需具备深厚的数学背景，只需安装 Processing 即可运行并观察演化过程。\n\nSnakeAI 的技术亮点在于其独特的视觉系统与适应度机制：每条“蛇”拥有 24 个输入神经元，能感知八个方向上的食物、自身身体和墙壁距离；输出层控制四个移动方向。在进化过程中，系统采用自然选择、交叉与变异策略优化神经网络权重，并引入“移动步数限制”防止蛇陷入无限循环的无效策略。此外，项目支持模型保存与加载，便于后续测试与分析演化数据。\n\n整个项目代码开放、结构清晰，配合可视化图表展示每代最优得分变化，帮助用户直观理解 AI 如何通过试错不断进化。无论是用于教学演示还是算法实验，SnakeAI 都提供了一个生动而实用的入门平台。","# SnakeAI\n\n## Download and Run\nTo run the program you will need [Processing](https:\u002F\u002Fprocessing.org\u002F)\n\n### [YouTube Video](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zIkBYwdkuTk&t)\n\n## Snake\n### Neural Network\nEach snake contains a neural network. The neural network has an input layer of 24 neurons, 2 hidden layers of 16 neurons, and one output layer of 4 neurons. \nNote: Network can now be customized with the number of hidden layers as well as the number of neurons in the hidden layers.\n### Vision\nThe snake can see in 8 directions. In each of these directions the snake looks for 3 things:\n+ Distance to food\n+ Distance to its own body\n+ Distance to a wall\n\n3 x 8 directions = 24 inputs. The 4 outputs are simply the directions the snake can move.\n\n![snakeai-1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgreerviau_SnakeAI_readme_7e715602da48.gif)\n\n## Evolution\n### Natural Selection\nEach generation a population of 2000 snakes is created. For the first generation, all of the neural nets in each of the snakes are initialized randomly. Once the entire population is dead, a fitness score is calculated for each of the snakes. Using these fitness scores, some of the best snakes are selected to reproduce. In reproduction two snakes are selected and the neural nets of each are crossed and then the resulting child is mutated. This is repeated to create a new population of 2000 new snakes.\n\n### Fitness\nA snakes fitness is dependant on how long the snake stays alive as well as its score. However they are not equally important, having a higher score is rewarded more than a snake who simply stays alive. There is the possibility however that a snake may evolve a strategy where it loops in a certain pattern and never dies. Even though having a high score is prioritized more, if a snake can stay alive forever then that is a clear problem. To avoid this each snake is giving 200 starting moves at the beginning of its life. Every time it eats a piece of food it gains 100 more moves, with a maximum of 500 moves. This means that snakes who evolve to go in loops will eventually die and snakes who go for the food will not only have a higher score, but stay alive longer.\n\n### Crossover & Mutation\nWhen two snakes are selected for reproduction, what happens is that the snakes brains are crossed with each other. What this means is that part of one parents brain is mixed with part of the second parents and the resulting brain is assigned to the child. After the crossover the brain is also mutated according to a mutation rate. The mutation rate determines how much of the brain will be randomly altered.\n\n\n![snakeai-2](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgreerviau_SnakeAI_readme_71f724828b6a.gif)\n\n## Data Collection\n### Graphing\nThe graph represents the score of the best snake from each generations. In some generations the graph may dip bellow the previous, this is because even though the score may have been worse, some trait allowed the snake to live longer and gain a higher overall fitness.\n\n![snakeai-graph](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgreerviau_SnakeAI_readme_c1e2168bfbe9.png)\n\n### Save & Load\nModels can be saved and loaded in order to test a model in new situations. The weights for each connection are saved in a CSV file. The evolution graph is also saved in order to view the evolution progress of the model.\n","# SnakeAI\n\n## 下载与运行\n要运行该程序，您需要 [Processing](https:\u002F\u002Fprocessing.org\u002F)。\n\n### [YouTube 视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zIkBYwdkuTk&t)\n\n## 蛇\n### 神经网络\n每条蛇都包含一个神经网络。该神经网络由一个包含24个神经元的输入层、两个各含16个神经元的隐藏层，以及一个包含4个神经元的输出层组成。\n注意：现在可以自定义网络的隐藏层数量及每层的神经元数量。\n\n### 视觉\n蛇可以在8个方向上“观察”。在每个方向上，蛇会检测以下3种信息：\n+ 到食物的距离\n+ 到自身身体的距离\n+ 到墙壁的距离\n\n3 × 8个方向 = 24个输入。而4个输出则分别对应蛇可以移动的4个方向。\n\n![snakeai-1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgreerviau_SnakeAI_readme_7e715602da48.gif)\n\n## 进化\n### 自然选择\n每一代都会生成一个由2000条蛇组成的种群。第一代时，所有蛇的神经网络参数都是随机初始化的。当整个种群死亡后，会为每条蛇计算适应度得分。根据这些得分，挑选出表现最好的一些蛇进行繁殖。繁殖过程中，会随机选取两条蛇，将它们的神经网络进行交叉，并对生成的子代网络进行突变。这一过程不断重复，直到产生新一代的2000条蛇。\n\n### 适应度\n一条蛇的适应度取决于它存活的时间长短及其得分。不过这两者并不等同重要——获得更高的得分比单纯延长存活时间更能得到奖励。然而，也有可能出现这样的进化策略：蛇会按照某种固定模式循环运动而永远不会死亡。尽管高分更为优先，但如果一条蛇能够永远存活下去，显然就存在问题了。为了避免这种情况，每条蛇在出生时会被赋予200次行动机会。每当它吃到一块食物，就会额外获得100次行动机会，最多不超过500次。这样一来，那些进化出循环行为的蛇最终会因行动次数耗尽而死亡；而那些积极寻找食物的蛇不仅得分更高，还能存活更久。\n\n### 交叉与突变\n当两条蛇被选中进行繁殖时，它们的大脑会被相互交叉。也就是说，一部分来自父代大脑的信息会与另一部分母代大脑的信息混合，形成新的子代大脑。交叉完成后，还会按照一定的突变率对大脑进行随机突变。突变率决定了大脑中有多少部分会被随机改变。\n\n![snakeai-2](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgreerviau_SnakeAI_readme_71f724828b6a.gif)\n\n## 数据收集\n### 图表绘制\n该图表展示了每一代中最佳蛇的得分。有时，图表可能会低于前一代的水平，这是因为尽管当前蛇的得分可能较差，但它可能通过某些特性存活更久，从而获得了更高的总体适应度。\n\n![snakeai-graph](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgreerviau_SnakeAI_readme_c1e2168bfbe9.png)\n\n### 保存与加载\n模型可以被保存和加载，以便在新情境下测试。每个连接的权重都会被保存到一个CSV文件中。此外，进化过程的图表也会被保存下来，方便查看模型的进化进展。","# SnakeAI 快速上手指南\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**：Windows、macOS 或 Linux\n*   **核心依赖**：必须安装 [Processing](https:\u002F\u002Fprocessing.org\u002F) 运行环境。\n    *   请访问官网下载最新版本的 Processing IDE。\n    *   *注：国内用户若访问官网较慢，可尝试通过国内开源镜像站搜索 \"Processing\" 进行下载。*\n*   **项目源码**：克隆或下载本项目的源代码文件夹。\n\n## 安装步骤\n\n本项目基于 Processing 构建，无需复杂的包管理器安装命令，只需将代码导入即可：\n\n1.  启动已安装的 **Processing** IDE。\n2.  点击菜单栏的 `File` > `Open`（或使用快捷键 `Ctrl+O` \u002F `Cmd+O`）。\n3.  浏览并选择您下载的 `SnakeAI` 项目主文件夹（包含 `.pde` 文件的目录）。\n4.  确认代码已在编辑器中加载，且无红色报错提示。\n\n## 基本使用\n\n完成上述步骤后，即可运行神经网络贪吃蛇的进化模拟：\n\n1.  在 Processing IDE 中，点击工具栏上方的 **运行按钮** (▶️) 或按下 `Ctrl+R` (Windows\u002FLinux) \u002F `Cmd+R` (macOS)。\n2.  **观察进化过程**：\n    *   程序将自动生成 2000 条蛇作为第一代种群。\n    *   每条蛇内置一个神经网络（默认结构：24 输入层 -> 2 个隐藏层各 16 神经元 -> 4 输出层）。\n    *   蛇通过 8 个方向感知食物、自身身体和墙壁的距离来做出移动决策。\n3.  **查看数据图表**：\n    *   运行过程中会显示图表，记录每一代最佳蛇的得分情况。\n    *   即使某一代得分暂时下降，也可能意味着该策略让蛇存活更久，从而获得更高的整体适应度。\n4.  **模型保存与加载**：\n    *   程序支持将训练好的模型权重保存为 CSV 文件，以便后续测试或在不同场景中加载使用。\n\n> **提示**：您可以参考项目配套的 [YouTube 演示视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zIkBYwdkuTk&t) 以直观了解运行效果。","某高校人工智能课程的教学团队计划通过“贪吃蛇”项目，向学生直观演示遗传算法与神经网络结合的进化过程。\n\n### 没有 SnakeAI 时\n- 教师需从零编写复杂的神经网络架构、交叉变异逻辑及适应度函数，耗费数周时间且容易出错。\n- 难以动态调整网络结构（如隐藏层层数或神经元数量），导致学生无法通过对比实验理解参数对进化的影响。\n- 缺乏可视化的进化数据记录，学生只能看到最终结果，无法观察每一代种群分数的波动与策略迭代细节。\n- 手动设计奖励机制极易出现漏洞，例如智能体可能学会“无限转圈”而非真正寻找食物，导致教学演示失败。\n\n### 使用 SnakeAI 后\n- 团队直接运行基于 Processing 的现成程序，内置了 24 输入、双隐藏层及 4 输出的标准网络，即刻开始教学演示。\n- 利用其可定制化功能，轻松修改隐藏层配置，让学生实时观察不同网络深度对蛇类生存策略的具体影响。\n- 系统自动生成每代最佳分数的进化曲线图并支持 CSV 权重保存，清晰呈现从随机乱走到熟练觅食的完整学习轨迹。\n- 内置的智能移动步数限制机制（吃食加分、空转扣分）有效防止了“无限循环”作弊行为，确保进化方向始终指向高分策略。\n\nSnakeAI 将抽象的进化算法理论转化为可视化的实战案例，极大降低了 AI 教学门槛并提升了实验的可复现性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgreerviau_SnakeAI_7e715602.gif","greerviau","Greer","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgreerviau_abc9f6c4.jpg","Building software for scientists","Matterworks","Boston",null,"greerviau.com","https:\u002F\u002Fgithub.com\u002Fgreerviau",[86],{"name":87,"color":88,"percentage":89},"Processing","#0096D8",100,2395,555,"2026-04-14T06:59:24","MIT",4,"未说明 (基于 Processing 运行，通常支持 Windows, macOS, Linux)","不需要","未说明",{"notes":99,"python":100,"dependencies":101},"该项目并非基于 Python，而是需要安装 Processing 开发环境才能运行。神经网络为自定义实现，不依赖 PyTorch 或 TensorFlow 等深度学习框架。默认种群数量为 2000 条蛇，对 CPU 单核性能有一定要求以加快进化模拟速度。","不需要 (基于 Processing\u002FJava)",[87],[18],"2026-03-27T02:49:30.150509","2026-04-18T09:19:27.510852",[],[]]