[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kaieye--2022-Machine-Learning-Specialization":3,"tool-kaieye--2022-Machine-Learning-Specialization":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":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":68,"owner_company":79,"owner_location":68,"owner_email":68,"owner_twitter":68,"owner_website":68,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":68,"difficulty_score":23,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":99,"github_topics":68,"view_count":10,"oss_zip_url":68,"oss_zip_packed_at":68,"status":16,"created_at":100,"updated_at":101,"faqs":102,"releases":118},993,"kaieye\u002F2022-Machine-Learning-Specialization","2022-Machine-Learning-Specialization",null,"2022-Machine-Learning-Specialization 是吴恩达在2022年推出的机器学习专项课程的开源代码库和学习资源集合。它整理了课程中的代码、测验内容以及学习笔记，帮助学习者更高效地掌握机器学习的核心概念和技术。课程分为三部分，涵盖监督学习（回归与分类）、高级学习算法以及无监督学习（推荐系统和强化学习），适合希望系统学习机器学习的用户。\n\n这个项目解决了学习者在学习过程中可能遇到的资源分散、环境配置复杂以及缺乏实践指导的问题。通过提供完整的代码示例、依赖配置说明以及社区交流支持，它降低了学习门槛，让初学者能够专注于理解核心知识，而不被繁琐的技术细节困扰。\n\n2022-Machine-Learning-Specialization 非常适合对机器学习感兴趣的开发者、研究人员以及希望转行到人工智能领域的学习者使用。无论是零基础的新手还是有一定经验的从业者，都可以从中受益。尤其是那些希望通过动手实践巩固理论知识的学习者，会发现这个项目的代码和笔记非常实用。\n\n其独特的亮点在于紧密结合吴恩达的经典课程内容，并通过GitHub开源的方式鼓励社区协作。学习者不仅可以获取高质","2022-Machine-Learning-Specialization 是吴恩达在2022年推出的机器学习专项课程的开源代码库和学习资源集合。它整理了课程中的代码、测验内容以及学习笔记，帮助学习者更高效地掌握机器学习的核心概念和技术。课程分为三部分，涵盖监督学习（回归与分类）、高级学习算法以及无监督学习（推荐系统和强化学习），适合希望系统学习机器学习的用户。\n\n这个项目解决了学习者在学习过程中可能遇到的资源分散、环境配置复杂以及缺乏实践指导的问题。通过提供完整的代码示例、依赖配置说明以及社区交流支持，它降低了学习门槛，让初学者能够专注于理解核心知识，而不被繁琐的技术细节困扰。\n\n2022-Machine-Learning-Specialization 非常适合对机器学习感兴趣的开发者、研究人员以及希望转行到人工智能领域的学习者使用。无论是零基础的新手还是有一定经验的从业者，都可以从中受益。尤其是那些希望通过动手实践巩固理论知识的学习者，会发现这个项目的代码和笔记非常实用。\n\n其独特的亮点在于紧密结合吴恩达的经典课程内容，并通过GitHub开源的方式鼓励社区协作。学习者不仅可以获取高质量的学习资料，还能通过提交Pull Request分享自己的学习成果或优化建议，形成互助学习的良好氛围。","# 2022-Machine-Learning-Specialization\n\n\n吴恩达2022新版机器学习 machine learning specialization  \n课程官网：https:\u002F\u002Fwww.coursera.org\u002Fspecializations\u002Fmachine-learning-introduction  \nbilibili:https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19B4y1W76i  \ngithub:https:\u002F\u002Fgithub.com\u002Fkaieye\u002F2022-Machine-Learning-Specialization  \n课程代码及测验内容已更新完毕  \n欢迎pull request，无论是补充学习文件还是优化md笔记  \n交流群：772590431\n## 课程大纲\nMachine learning specialization课程共分为三部分  \n- 第一部分：Supervised Machine Learning: Regression and Classification  \n- 第二部分：Advanced Learning Algorithms  \n- 第三部分：Unsupervised Learning: Recommenders, Reinforcement Learning   \n\n课程slides地址：https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fmachine-learning-specialization\u002F?utm_campaign=mls-video-series&utm_medium=video&utm_source=youtube#course-slides\n\nMachine Learning Specialization by Andrew Ng in 2022  \nCourse website:https:\u002F\u002Fwww.coursera.org\u002Fspecializations\u002Fmachine-learning-introduction    \nbilibili:https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19B4y1W76i    \ngithub:https:\u002F\u002Fgithub.com\u002Fkaieye\u002F2022-Machine-Learning-Specialization  \nCourse code and test content have been updated  \nWelcome to pull requests, whether it is to supplement learning files or markdown notes\n## Course Outline\nMachine learning specialization is divided into 3 parts \n- Part 1：Supervised Machine Learning: Regression and Classification  \n- Part 2：Advanced Learning Algorithms  \n- Part 3：Unsupervised Learning: Recommenders, Reinforcement Learning \n\nThe second part is currently Uploaded  \nslides:https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fmachine-learning-specialization\u002F?utm_campaign=mls-video-series&utm_medium=video&utm_source=youtube#course-slides\n\n## 环境配置\n\n按照操作系统类型安装python（官方使用的环境为3.7.6），安装方式各异。安装成功后在cmd\u002Fbash中定位到该文件夹，并使用如下命令安装依赖。\n\n```text\npip install -r requirements.txt\n```\n\nmac\u002Flinux用户需将pip切换成pip3\n","# 2022-Machine-Learning-Specialization\n\n\n吴恩达2022新版机器学习（machine learning specialization）  \n课程官网：https:\u002F\u002Fwww.coursera.org\u002Fspecializations\u002Fmachine-learning-introduction  \nbilibili:https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19B4y1W76i  \ngithub:https:\u002F\u002Fgithub.com\u002Fkaieye\u002F2022-Machine-Learning-Specialization  \n课程代码及测验内容已更新完毕  \n欢迎提交pull request，无论是补充学习文件还是优化md笔记  \n交流群：772590431\n## 课程大纲\n机器学习专项课程（Machine learning specialization）共分为三部分  \n- 第一部分：监督式机器学习：回归与分类（Supervised Machine Learning: Regression and Classification）  \n- 第二部分：高级学习算法（Advanced Learning Algorithms）  \n- 第三部分：无监督学习：推荐系统、强化学习（Unsupervised Learning: Recommenders, Reinforcement Learning）   \n\n课程幻灯片地址：https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fmachine-learning-specialization\u002F?utm_campaign=mls-video-series&utm_medium=video&utm_source=youtube#course-slides\n\n吴恩达2022年机器学习专项课程（Machine Learning Specialization by Andrew Ng in 2022）  \n课程官网：https:\u002F\u002Fwww.coursera.org\u002Fspecializations\u002Fmachine-learning-introduction    \nbilibili:https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19B4y1W76i    \ngithub:https:\u002F\u002Fgithub.com\u002Fkaieye\u002F2022-Machine-Learning-Specialization  \n课程代码及测试内容已更新完成  \n欢迎提交pull request，无论是补充学习文件还是优化md笔记\n## 课程大纲\n机器学习专项课程分为三个部分 \n- 第一部分：监督式机器学习：回归与分类（Supervised Machine Learning: Regression and Classification）  \n- 第二部分：高级学习算法（Advanced Learning Algorithms）  \n- 第三部分：无监督学习：推荐系统、强化学习（Unsupervised Learning: Recommenders, Reinforcement Learning） \n\n第二部分内容目前已上传  \n幻灯片：https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fmachine-learning-specialization\u002F?utm_campaign=mls-video-series&utm_medium=video&utm_source=youtube#course-slides\n\n## 环境配置\n\n根据操作系统类型安装Python（官方使用的环境为3.7.6），安装方式各有不同。安装成功后在cmd\u002Fbash中定位到该文件夹，并使用以下命令安装依赖。\n\n```text\npip install -r requirements.txt\n```\n\nmac\u002Flinux用户需将pip切换成pip3","# 2022-Machine-Learning-Specialization 快速上手指南\n\n吴恩达2022新版机器学习专项课程代码及资源整理，欢迎中国开发者参与学习和贡献。\n\n## 环境准备\n\n### 系统要求\n- 支持 Windows、macOS 和 Linux 系统\n- Python 版本：官方推荐 **3.7.6**（建议使用虚拟环境）\n\n### 前置依赖\n- 安装 Python（推荐通过 [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002F) 或 [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html) 安装）\n- 安装 `pip` 或 `pip3`（macOS\u002FLinux 用户需使用 `pip3`）\n\n国内用户可使用以下镜像源加速：\n- 清华大学开源软件镜像站：https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n## 安装步骤\n\n1. 克隆项目代码到本地：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fkaieye\u002F2022-Machine-Learning-Specialization.git\n   cd 2022-Machine-Learning-Specialization\n   ```\n\n2. 安装依赖库：\n   ```bash\n   pip install -r requirements.txt\n   ```\n   **国内用户推荐使用清华镜像源加速安装：**\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n   macOS\u002FLinux 用户请将 `pip` 替换为 `pip3`。\n\n## 基本使用\n\n### 示例：运行代码\n进入课程对应部分的文件夹，例如第一部分 `Supervised Machine Learning: Regression and Classification`，运行示例代码：\n\n```bash\ncd Part1-Supervised-Machine-Learning\npython example_script.py\n```\n\n### 学习资源\n- **课程视频**：[Bilibili 视频链接](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19B4y1W76i)\n- **课程幻灯片**：[Slides 下载地址](https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fmachine-learning-specialization\u002F?utm_campaign=mls-video-series&utm_medium=video&utm_source=youtube#course-slides)\n\n### 贡献代码\n欢迎提交 Pull Request，补充学习笔记或优化 Markdown 文档。加入交流群获取更多帮助：\n- QQ 群：772590431\n\n---\n\n以上为快速上手指南，祝您学习愉快！","一名刚入职的初级数据分析师小李，正在为公司开发一个预测客户流失率的模型，但他在机器学习方面的知识非常有限。\n\n### 没有 2022-Machine-Learning-Specialization 时\n- 小李对机器学习的基础概念一知半解，无法区分回归和分类问题，导致选择了错误的算法。\n- 缺乏系统的学习资源，只能零散地从网上查找教程，导致知识点不连贯，学习效率低下。\n- 在配置开发环境和调试代码时频繁遇到问题，浪费了大量时间在解决技术细节上。\n- 对模型评估指标的理解不够深入，无法准确判断模型性能，导致预测结果不可靠。\n- 遇到问题时缺乏交流渠道，只能独自摸索，进展缓慢且容易产生挫败感。\n\n### 使用 2022-Machine-Learning-Specialization 后\n- 小李通过第一部分课程清晰理解了监督学习的核心概念，能够正确选择回归或分类算法来解决问题。\n- 系统化的课程内容和配套代码帮助他快速掌握机器学习的基础知识，减少了学习中的迷茫和试错成本。\n- 提供的 `requirements.txt` 和环境配置指南让他轻松搭建开发环境，专注于模型开发而非技术细节。\n- 第二部分课程详细讲解了模型评估方法，使他能够科学地优化模型，显著提升了预测准确性。\n- 通过加入交流群和参与 GitHub 的 Pull Request，他获得了社区支持，解决了实际问题并积累了经验。\n\n2022-Machine-Learning-Specialization 帮助小李从零基础快速成长为能够独立完成机器学习项目的开发者，极大提升了工作效率和信心。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkaieye_2022-Machine-Learning-Specialization_89cea987.png","kaieye","Wu Chenjun","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkaieye_7eae3f84.jpg","zstu","https:\u002F\u002Fgithub.com\u002Fkaieye",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",92.6,{"name":87,"color":88,"percentage":89},"Python","#3572A5",7.4,4601,1638,"2026-04-03T17:18:49","Linux, macOS, Windows","未说明",{"notes":96,"python":97,"dependencies":98},"需通过 pip install -r requirements.txt 安装依赖，mac\u002Flinux 用户需将 pip 切换为 pip3","3.7.6",[],[13,54],"2026-03-27T02:49:30.150509","2026-04-06T07:11:47.894547",[103,108,113],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},4415,"为什么在 C1_W1_Lab04_Cost_function_Soln 中输出一直显示“加载小部件”？","如果从 week1 目录运行文件，可能会导致无法绘制图形。建议从 works 目录中找到该文件并运行，这样可以正常工作。","https:\u002F\u002Fgithub.com\u002Fkaieye\u002F2022-Machine-Learning-Specialization\u002Fissues\u002F11",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},4416,"为什么推荐在 requirements.txt 中用 \">=\" 替代 \"==\"？","维护者已确认此建议，并表示感谢。使用 \">=\" 可以避免因版本锁定导致的依赖问题，提升兼容性。","https:\u002F\u002Fgithub.com\u002Fkaieye\u002F2022-Machine-Learning-Specialization\u002Fissues\u002F7",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},4417,"文件夹名称对 Windows 系统不友好，能否移除 ':'？","维护者已确认此问题并修复。Windows 系统不支持文件名中包含 ':'，因此需要将其移除以确保兼容性。","https:\u002F\u002Fgithub.com\u002Fkaieye\u002F2022-Machine-Learning-Specialization\u002Fissues\u002F3",[]]