[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-johnmyleswhite--ML_for_Hackers":3,"tool-johnmyleswhite--ML_for_Hackers":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。",75097,"2026-04-07T22:51:14",[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",65697,"2026-04-07T23:34:58",[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":79,"owner_website":83,"owner_url":84,"languages":85,"stars":94,"forks":95,"last_commit_at":96,"license":79,"difficulty_score":10,"env_os":97,"env_gpu":98,"env_ram":97,"env_deps":99,"category_tags":108,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":22,"created_at":109,"updated_at":110,"faqs":111,"releases":142},5373,"johnmyleswhite\u002FML_for_Hackers","ML_for_Hackers","Code accompanying the book \"Machine Learning for Hackers\"","ML_for_Hackers 是经典著作《Machine Learning for Hackers》的官方配套代码库，旨在通过实战案例帮助读者掌握机器学习的核心应用。它主要解决了初学者在理论学习与动手实践之间存在的鸿沟，提供了书中所有示例的完整 R 语言实现，让用户能够直接运行、修改并深入理解算法逻辑，从而快速上手数据清洗、模型构建及结果可视化等关键流程。\n\n这套资源特别适合具备一定编程基础的数据科学爱好者、开发者以及希望系统入门机器学习的研究人员。如果你正在阅读原书或希望通过复现经典案例来积累实战经验，ML_for_Hackers 将是理想的辅助工具。其技术亮点在于基于 R 语言生态构建，涵盖了从数据获取（利用 RCurl 和 XML 库）到分析建模的全链路代码，并针对出版后的环境变化进行了必要的注释补充与优化。项目遵循宽松的 BSD 许可证开放源代码，相关图表材料则采用知识共享协议，鼓励社区自由学习与分享。无论是用于教学演示还是个人技能提升，它都能提供扎实且透明的代码参考。","# Code for Machine Learning for Hackers #\n\nThis repository contains all of the code examples for [Machine Learning for Hackers](http:\u002F\u002Fshop.oreilly.com\u002Fproduct\u002F0636920018483.do) (2012).  The code may not appear exactly as it does in the text, as additional comments and modifications may have been added since publication.\n\n\n## Getting started ##\n\nThe code in this book relies on several R libraries.  Two libraries, `RCurl` and `XML` require additional software to be installed:\n\n - [http:\u002F\u002Fcurl.haxx.se\u002F](curl) (for `RCurl`)\n - [http:\u002F\u002Fxmlsoft.org\u002F](libxml2-dev) (for `XML`)\n\nTo make sure you have all of the requite libraries run the `package_installer.R` script. In your R console type the following:\n\n\t> source(\"package_installer.R\")\n\nWhen running the installer inside R you will be asked where to save the library files.  If you'd like to install the libraries globally, you can run script at the command-line with admin privileges:\n\n\t$ sudo RScript package_installer.R\n\n\n\n## Authors ##\n\n - Drew Conway, Department of Politics, New York University [http:\u002F\u002Fdrewconway.com\u002F](http:\u002F\u002Fdrewconway.com\u002F)\n - John Myles White, Data Science, Facebook [http:\u002F\u002Fwww.johnmyleswhite.com\u002F](http:\u002F\u002Fwww.johnmyleswhite.com\u002F)\n\n## License ##\n\nAll source code is copyright (c) 2012, under the Simplified BSD License.  \nFor more information on FreeBSD see: [http:\u002F\u002Fwww.opensource.org\u002Flicenses\u002Fbsd-license.php](http:\u002F\u002Fwww.opensource.org\u002Flicenses\u002Fbsd-license.php)\n\nAll images and materials produced by this code are licensed under the Creative Commons \nAttribution-Share Alike 3.0 United States License: [http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-sa\u002F3.0\u002Fus\u002F](http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-sa\u002F3.0\u002Fus\u002F)\n","# 黑客机器学习代码 #\n\n本仓库包含了《黑客机器学习》（2012年出版，O’Reilly出版社）一书中的所有代码示例。由于自出版以来可能添加了额外的注释和修改，因此代码可能与书中内容并不完全一致。\n\n\n## 快速入门 ##\n\n本书中的代码依赖于多个R语言库。其中两个库——`RCurl`和`XML`——需要安装额外的软件：\n\n - [http:\u002F\u002Fcurl.haxx.se\u002F](curl)（用于`RCurl`）\n - [http:\u002F\u002Fxmlsoft.org\u002F](libxml2-dev)（用于`XML`）\n\n为确保您已安装所有必要的库，请运行`package_installer.R`脚本。在R控制台中输入以下命令：\n\n\t> source(\"package_installer.R\")\n\n在R中运行该安装脚本时，系统会提示您选择保存库文件的位置。如果您希望将这些库全局安装，可以以管理员权限在命令行中运行该脚本：\n\n\t$ sudo RScript package_installer.R\n\n\n\n## 作者 ##\n\n - 德鲁·康威，纽约大学政治系 [http:\u002F\u002Fdrewconway.com\u002F](http:\u002F\u002Fdrewconway.com\u002F)\n - 约翰·迈尔斯·怀特，Facebook数据科学团队 [http:\u002F\u002Fwww.johnmyleswhite.com\u002F](http:\u002F\u002Fwww.johnmyleswhite.com\u002F)\n\n## 许可协议 ##\n\n所有源代码版权归属2012年，采用简化BSD许可证。  \n有关FreeBSD许可证的更多信息，请参阅：[http:\u002F\u002Fwww.opensource.org\u002Flicenses\u002Fbsd-license.php](http:\u002F\u002Fwww.opensource.org\u002Flicenses\u002Fbsd-license.php)\n\n由本代码生成的所有图像和材料均采用知识共享署名-相同方式共享3.0美国许可协议授权：[http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-sa\u002F3.0\u002Fus\u002F](http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-sa\u002F3.0\u002Fus\u002F)","# ML_for_Hackers 快速上手指南\n\n本指南旨在帮助开发者快速搭建《Machine Learning for Hackers》一书所需的代码运行环境。该项目主要基于 **R 语言**。\n\n## 环境准备\n\n在开始之前，请确保您的系统已安装以下基础软件：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **核心运行时**：[R](https:\u002F\u002Fcran.r-project.org\u002F) (建议最新稳定版)\n*   **系统级依赖**：\n    *   `curl` 开发库（用于 `RCurl` 包）\n    *   `libxml2` 开发库（用于 `XML` 包）\n\n> **国内加速建议**：\n> 在安装 R 包时，建议将 CRAN 镜像源切换至国内站点（如清华大学或中科大镜像），以提升下载速度。\n> *   清华镜像：`https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002FCRAN\u002F`\n> *   中科大镜像：`https:\u002F\u002Fmirrors.ustc.edu.cn\u002FCRAN\u002F`\n\n### 前置依赖安装示例 (Ubuntu\u002FDebian)\n```bash\nsudo apt-get update\nsudo apt-get install libcurl4-openssl-dev libxml2-dev\n```\n\n### 前置依赖安装示例 (macOS)\n```bash\nbrew install curl libxml2\n```\n\n## 安装步骤\n\n本项目提供了一个自动化脚本 `package_installer.R` 用于安装所有必需的 R 扩展包。\n\n### 方法一：在 R 控制台内运行（推荐）\n启动 R 或 RStudio，进入项目目录后执行：\n\n```R\n> source(\"package_installer.R\")\n```\n*执行过程中会提示选择库文件的保存路径，按默认或根据需求选择即可。*\n\n### 方法二：命令行全局安装（需管理员权限）\n如果您希望将库文件安装到系统全局目录，可在终端使用 `sudo` 运行：\n\n```bash\n$ sudo RScript package_installer.R\n```\n\n## 基本使用\n\n安装完成后，您可以直接加载书中各章节对应的脚本进行学习和测试。以下是一个典型的加载与运行示例：\n\n1.  启动 R 会话。\n2.  设置工作目录到包含代码的文件夹。\n3.  运行特定章节的脚本（例如第一章）：\n\n```R\n> setwd(\"\u002Fpath\u002Fto\u002FML_for_Hackers\u002Fch01\")\n> source(\"01_intro.R\")\n```\n\n*注：具体脚本文件名请参考各章节目录结构，代码逻辑与书中案例保持一致，但可能包含额外的注释或修正。*","某初创公司的数据分析师需要快速构建一个基于邮件内容的垃圾信息过滤原型，以验证业务可行性。\n\n### 没有 ML_for_Hackers 时\n- 面对复杂的文本挖掘任务，不知如何从原始邮件数据中提取有效的特征向量，需花费数天查阅零散的学术文档。\n- 手动编写 R 语言代码调用 `RCurl` 和 `XML` 库时，频繁遭遇环境依赖缺失和版本兼容报错，配置过程极其耗时。\n- 缺乏标准的朴素贝叶斯分类器实现参考，只能凭理论公式摸索算法细节，导致模型准确率低下且难以复现。\n- 数据清洗与可视化流程割裂，无法直观展示分类效果，向团队汇报时缺乏有力的数据支撑图表。\n\n### 使用 ML_for_Hackers 后\n- 直接复用书中成熟的邮件解析代码示例，几分钟内即可完成从原始文本到结构化特征数据的转换。\n- 运行自带的 `package_installer.R` 脚本一键解决所有 R 包依赖问题，彻底消除了环境配置的繁琐步骤。\n- 借鉴书中完整的分类器构建逻辑，快速搭建出高精度的过滤模型，并可根据注释轻松调整参数优化性能。\n- 利用现成的可视化代码模板，立即生成清晰的混淆矩阵和效果对比图，让项目成果一目了然。\n\nML_for_Hackers 将晦涩的机器学习理论转化为可执行的代码实战，帮助开发者跨越从“懂原理”到“能落地”的关键鸿沟。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjohnmyleswhite_ML_for_Hackers_3bc7b471.png","johnmyleswhite","John Myles White","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjohnmyleswhite_c3b4e12c.jpg",null,"Meta","New York, NY","jmw@johnmyleswhite.com","http:\u002F\u002Fwww.johnmyleswhite.com","https:\u002F\u002Fgithub.com\u002Fjohnmyleswhite",[86,90],{"name":87,"color":88,"percentage":89},"R","#198CE7",99.9,{"name":91,"color":92,"percentage":93},"CSS","#663399",0.1,3807,2191,"2026-04-07T04:25:19","未说明","不需要",{"notes":100,"python":101,"dependencies":102},"该项目基于 R 语言而非 Python。运行前需安装系统级依赖库：curl（用于 RCurl）和 libxml2-dev（用于 XML）。建议使用 sudo 权限运行 package_installer.R 脚本以全局安装所需的 R 包。","不适用",[103,104,105,106,107],"R (基础环境)","RCurl","XML","libcurl-dev (系统库)","libxml2-dev (系统库)",[18],"2026-03-27T02:49:30.150509","2026-04-08T13:02:19.831139",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},24376,"如何获取本书中使用的数据？","对于每一章，请进入对应的章节文件夹。例如，如果您正在寻找第 3 章的数据，请访问该章的文件夹（如 03-Classification）。在其中找到 'data' 文件夹并点击进入，选择您想要下载的文件。然后点击页面右上角的 'Raw' 按钮，这将显示原始数据内容。最后，使用 Ctrl + S（Windows）或 Command + S（Mac）将数据保存到您机器上的文件夹中。","https:\u002F\u002Fgithub.com\u002Fjohnmyleswhite\u002FML_for_Hackers\u002Fissues\u002F34",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},24377,"第 3 章代码中的 classify.email() 函数里的 '^' 运算符是拼写错误吗？","这不是拼写错误。该代码逻辑是将一系列条件概率相乘，其中每个不在训练集中的项的条件概率被赋值为 1e-6（即 0.0001%）。这里的运算符合逻辑，无需替换为乘法运算符。","https:\u002F\u002Fgithub.com\u002Fjohnmyleswhite\u002FML_for_Hackers\u002Fissues\u002F22",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},24378,"在 SpamAssassin 公共语料库中找不到 'hard_ham_2' 数据集怎么办？","您不需要从 SpamAssassin 官网单独下载该文件。所需的数据（包括 hard_ham_2）已经包含在本项目的仓库中。您可以直接访问以下链接获取：https:\u002F\u002Fgithub.com\u002Fjohnmyleswhite\u002FML_for_Hackers\u002Ftree\u002Fmaster\u002F03-Classification\u002Fdata","https:\u002F\u002Fgithub.com\u002Fjohnmyleswhite\u002FML_for_Hackers\u002Fissues\u002F21",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},24379,"由于 Google Social Graph API 已停用，第 11 章的社会网络分析练习有什么替代数据源？","推荐使用斯坦福大学的大型网络数据集项目（SNAP）作为替代数据源。您可以访问 http:\u002F\u002Fsnap.stanford.edu\u002Fdata\u002F 获取大量用于练习网络分析方法的活动数据集。","https:\u002F\u002Fgithub.com\u002Fjohnmyleswhite\u002FML_for_Hackers\u002Fissues\u002F12",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},24380,"在 Mac 上运行本书代码时，安装 'arm' 包或相关依赖（如 OpenBUGS\u002FWinBUGS）报错怎么办？","'arm' 包实际上在本书的代码中从未被使用过，因此您可以安全地从安装脚本（package_installer.R）中移除它。书中代码不依赖 Windows 特有的 OpenBUGS 或 WinBUGS 库，维护者均在 OS X 上成功运行过代码。如果遇到编译 BRugs 的错误，忽略即可或直接删除 arm 包的安装调用。","https:\u002F\u002Fgithub.com\u002Fjohnmyleswhite\u002FML_for_Hackers\u002Fissues\u002F1",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},24381,"为什么仓库中的源代码与书中描述的函数定义（如 'abb.state'）不一致？","这是因为书籍出版后，部分使用的 API 已被弃用，且书中存在一些错误，因此在线代码库进行了修正和更新以确保持续可用。如果您需要复现书中的原始示例，可以使用版本控制回退到特定的提交版本（例如：https:\u002F\u002Fgithub.com\u002Fjohnmyleswhite\u002FML_for_Hackers\u002Ftree\u002F9fa3c62ef465f6386cc786ba7cebdb26bf362c97），但建议优先使用最新代码以适配当前环境。","https:\u002F\u002Fgithub.com\u002Fjohnmyleswhite\u002FML_for_Hackers\u002Fissues\u002F18",[]]