[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kootenpv--whereami":3,"tool-kootenpv--whereami":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。",85267,2,"2026-04-18T11:00:28",[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。",75992,"2026-04-20T11:17:26",[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":83,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":29,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":102,"github_topics":103,"view_count":10,"oss_zip_url":83,"oss_zip_packed_at":83,"status":22,"created_at":111,"updated_at":112,"faqs":113,"releases":143},10122,"kootenpv\u002Fwhereami","whereami","Uses WiFi signals :signal_strength: and machine learning to predict where you are ","whereami 是一款利用 WiFi 信号特征结合机器学习算法，来精准判断用户当前位置的开源工具。它主要解决了在室内环境中，传统 GPS 信号微弱或失效导致无法定位的难题，甚至能区分相距仅 2 到 10 米的不同区域，比如分辨你是坐在“一号沙发”还是“二号沙发”。\n\n这款工具非常适合开发者、智能家居爱好者以及需要构建位置感知应用的研究人员使用。其核心技术亮点在于跨平台兼容性，支持 macOS、Windows 和 Linux 系统，并内置了随机森林（RandomForest）模型进行训练与预测。用户只需在不同房间执行简单的命令行指令采集样本，whereami 即可建立专属的位置指纹库。有趣的是，它在垂直高度上的识别能力往往比水平距离更为敏锐。\n\n除了直接通过命令行获取预测结果或概率分布，whereami 还提供了完整的 Python 接口，方便开发者将其集成到自动化脚本或更复杂的应用中，例如根据位置自动开关灯光。作为一个基于成熟项目理念重构的 Python 版本，whereami 在保持轻量级的同时，确保了在普通家庭网络环境下也能达到极高的识别准确率。","## whereami\n\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fkootenpv\u002Fwhereami.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fkootenpv\u002Fwhereami)\n[![Coverage Status](https:\u002F\u002Fcoveralls.io\u002Frepos\u002Fgithub\u002Fkootenpv\u002Fwhereami\u002Fbadge.svg?branch=master)](https:\u002F\u002Fcoveralls.io\u002Fgithub\u002Fkootenpv\u002Fwhereami?branch=master)\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fwhereami.svg?style=flat-square)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fwhereami\u002F)\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fwhereami.svg?style=flat-square)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fwhereami\u002F)\n\nUses WiFi signals and machine learning (sklearn's RandomForest) to predict where you are. Even works for small distances like 2-10 meters.\n\nYour computer will known whether you are on Couch #1 or Couch #2.\n\n## Cross-platform\n\nWorks on OSX, Windows, Linux (tested on Ubuntu\u002FArch Linux).\n\nThe package [access_points](https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Faccess_points) was created in the process to allow scanning wifi in a cross platform manner. Using `access_points` at command-line will allow you to scan wifi yourself and get JSON output.\n`whereami` builds on top of it.\n\n### Installation\n\n    pip install whereami\n\n### Usage\n\n```bash\n# in your bedroom, takes a sample\nwhereami learn -l bedroom\n\n# in your kitchen, takes a sample\nwhereami learn -l kitchen\n\n# get a list of already learned locations\nwhereami locations\n\n# cross-validated accuracy on historic data\nwhereami crossval\n# 0.99319\n\n# use in other applications, e.g. by piping the most likely answer:\nwhereami predict | say\n# Computer Voice says: \"bedroom\"\n\n# probabilities per class\nwhereami predict_proba\n# {\"bedroom\": 0.99, \"kitchen\": 0.01}\n```\n\nIf you want to delete some of the last lines, or the data in general, visit your `$USER\u002F.whereami` folder.\n\n### Python\n\nAny of the functionality is available in python as well. Generally speaking, commands can be imported:\n\n    from whereami import learn\n    from whereami import get_pipeline\n    from whereami import predict, predict_proba, crossval, locations\n\n### Accuracy\nk\nGenerally it should work really well. I've been able to learn using only 7 access points at home (test using `access_points -n`). At organizations you might see 70+.\n\nDistance: anything around ~10 meters or more should get >99% accuracy.\n\nIf you're adventurous and you want to learn to distinguish between couch #1 and couch #2 (i.e. 2 meters apart), it is the most robust when you switch locations and train in turn. E.g. first in Spot A, then in Spot B then start again with A.\nDoing this in spot A, then spot B and then immediately using \"predict\" will yield spot B as an answer usually. No worries, the effect of this temporal overfitting disappears over time. And, in fact, this is only a real concern for the very short distances. Just take a sample after some time in both locations and it should become very robust.\n\nHeight: Surprisingly, vertical difference in location is typically even more distinct than horizontal differences.\n\n### Related Projects\n- The [wherearehue](https:\u002F\u002Fgithub.com\u002FDeastinY\u002Fwherearehue) project can be used to toggle Hue light bulbs based on the learned locations.\n\n###  Almost entirely \"copied\" from:\n\nhttps:\u002F\u002Fgithub.com\u002Fschollz\u002Ffind\n\nThat project used to be in Python, but is now written in Go. `whereami` is in Python with lessons learned implemented.\n\n### Tests\n\nIt's possible to locally run tests for python 2.7, 3.4 and 3.5 using tox.\n\n    git clone https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Fwhereami\n    cd whereami\n    python setup.py install\n    tox\n","## whereami\n\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Fkootenpv\u002Fwhereami.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fkootenpv\u002Fwhereami)\n[![覆盖率状态](https:\u002F\u002Fcoveralls.io\u002Frepos\u002Fgithub\u002Fkootenpv\u002Fwhereami\u002Fbadge.svg?branch=master)](https:\u002F\u002Fcoveralls.io\u002Fgithub\u002Fkootenpv\u002Fwhereami?branch=master)\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fwhereami.svg?style=flat-square)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fwhereami\u002F)\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fwhereami.svg?style=flat-square)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fwhereami\u002F)\n\n利用WiFi信号和机器学习（sklearn的随机森林）来预测你的位置。即使在2-10米这样的小距离内也能准确工作。\n\n你的电脑能够分辨出你是在沙发1号还是沙发2号上。\n\n## 跨平台\n\n支持OSX、Windows和Linux（已在Ubuntu\u002FArch Linux上测试过）。\n\n在此过程中还创建了`access_points`包，用于跨平台扫描WiFi网络。通过命令行使用`access_points`，你可以自行扫描WiFi并获得JSON格式的输出。`whereami`正是基于此构建的。\n\n### 安装\n\n    pip install whereami\n\n### 使用方法\n\n```bash\n# 在卧室采集样本\nwhereami learn -l bedroom\n\n# 在厨房采集样本\nwhereami learn -l kitchen\n\n# 查看已学习的位置列表\nwhereami locations\n\n# 基于历史数据的交叉验证准确率\nwhereami crossval\n# 0.99319\n\n# 在其他应用中使用，例如将最可能的答案输出到语音：\nwhereami predict | say\n# 计算机语音说：“bedroom”\n\n# 各类别的概率分布\nwhereami predict_proba\n# {\"bedroom\": 0.99, \"kitchen\": 0.01}\n```\n\n如果你想删除最近的一些记录，或者整体数据，请访问你的`$USER\u002F.whereami`文件夹。\n\n### Python接口\n\n所有功能同样可以通过Python调用。通常可以直接导入相关命令：\n\n    from whereami import learn\n    from whereami import get_pipeline\n    from whereami import predict, predict_proba, crossval, locations\n\n### 精度\nk\n一般来说，它应该表现得非常好。我在家里仅用7个接入点就完成了学习（可通过`access_points -n`进行测试）。而在一些机构中，接入点数量可能会超过70个。\n\n距离：任何约10米或更远的距离都能达到99%以上的准确率。\n\n如果你愿意尝试更具挑战性的任务，比如区分沙发1号和沙发2号（相距仅2米），那么最可靠的方法是交替切换地点并依次训练。例如，先在A点训练，再转到B点，然后再回到A点继续训练。如果直接在A点训练后立即在B点进行预测，通常会得到B点的结果。不过不用担心，这种时间上的过拟合效应会随着时间推移而消失。实际上，这主要只对非常短的距离才有影响。只需在两个地点分别采集一段时间的数据，系统就会变得非常稳健。\n\n高度：令人惊讶的是，垂直方向上的位置差异通常比水平方向上的差异更为明显。\n\n### 相关项目\n- [wherearehue](https:\u002F\u002Fgithub.com\u002FDeastinY\u002Fwherearehue)项目可以根据学习到的位置信息来控制飞利浦Hue智能灯泡的开关。\n\n### 几乎完全“复制”自：\n\nhttps:\u002F\u002Fgithub.com\u002Fschollz\u002Ffind\n\n该项目最初是用Python编写的，但现在已改用Go语言。而`whereami`则是在总结经验的基础上，继续以Python实现。\n\n### 测试\n\n可以使用tox工具在本地运行针对Python 2.7、3.4和3.5的测试。\n\n    git clone https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Fwhereami\n    cd whereami\n    python setup.py install\n    tox","# whereami 快速上手指南\n\n`whereami` 是一个利用 WiFi 信号和机器学习（随机森林算法）来预测你当前位置的开源工具。它精度极高，甚至能区分相距 2-10 米的不同位置（例如区分客厅的两张沙发）。支持 macOS、Windows 和 Linux。\n\n## 环境准备\n\n*   **操作系统**：macOS (OSX)、Windows、Linux (已在 Ubuntu\u002FArch Linux 上测试)。\n*   **前置依赖**：\n    *   Python 环境（支持 Python 2.7, 3.4+）。\n    *   需要能够扫描周围 WiFi 信号的权限。\n    *   `pip` 包管理工具。\n*   **硬件要求**：无需额外硬件，使用电脑自带的无线网卡即可。周围至少需要有几个可检测到的 WiFi 接入点（AP），通常 7 个以上效果最佳。\n\n## 安装步骤\n\n使用 pip 直接安装即可。国内用户建议使用清华或阿里镜像源以加速下载。\n\n```bash\n# 使用默认源安装\npip install whereami\n\n# 或者使用国内镜像源加速安装（推荐）\npip install whereami -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n使用前，请先走到不同的房间或位置进行“训练”，让模型学习该位置的 WiFi 信号特征。\n\n### 1. 采集数据（训练）\n\n走到第一个位置（例如卧室），运行以下命令采集样本：\n\n```bash\nwhereami learn -l bedroom\n```\n\n走到第二个位置（例如厨房），再次运行命令采集样本：\n\n```bash\nwhereami learn -l kitchen\n```\n\n*提示：为了提高短距离（如 2 米内）的区分度，建议交替在不同位置多次采集数据（例如：卧室 -> 厨房 -> 卧室 -> 厨房）。*\n\n### 2. 查看已学习的位置\n\n查看当前模型已记录的所有位置标签：\n\n```bash\nwhereami locations\n```\n\n### 3. 验证准确率\n\n使用历史数据进行交叉验证，查看模型预测的准确率：\n\n```bash\nwhereami crossval\n# 输出示例：0.99319 (表示 99.3% 的准确率)\n```\n\n### 4. 预测当前位置\n\n让工具判断你当前所在的位置：\n\n```bash\n# 输出最可能的位置名称\nwhereami predict\n\n# 获取每个位置的概率分布\nwhereami predict_proba\n# 输出示例：{\"bedroom\": 0.99, \"kitchen\": 0.01}\n```\n\n### 5. 数据管理\n\n所有学习到的数据存储在用户主目录下的 `.whereami` 文件夹中。如需重置或删除数据，可直接操作该目录：\n\n```bash\n# 查看数据文件路径 (通常为 $USER\u002F.whereami)\n# 手动删除该文件夹即可清空所有学习记录\n```\n\n### Python 代码调用\n\n你也可以在 Python 脚本中直接调用其功能：\n\n```python\nfrom whereami import learn\nfrom whereami import predict, predict_proba, crossval, locations\n\n# 示例：在代码中采集数据\n# learn('bedroom') \n\n# 示例：预测位置\nprint(predict())\n```","智能家居开发者小明希望实现灯光和音乐随用户在客厅不同位置自动切换的无感体验，但苦于缺乏低成本且高精度的室内定位方案。\n\n### 没有 whereami 时\n- 依赖蓝牙信标或专用硬件，不仅部署成本高，还需要额外维护电池和设备连接稳定性。\n- 传统 GPS 在室内完全失效，而基于信号强度的简单阈值判断无法区分相距仅 2 米的沙发与餐桌区域。\n- 用户必须手动通过手机 App 或语音指令反复切换场景模式，打断观影或阅读时的沉浸感。\n- 开发自定义定位算法需要收集大量数据并调参，耗时数周且难以在不同楼层或垂直高度上保持准确。\n\n### 使用 whereami 后\n- 直接利用现有 WiFi 信号结合随机森林机器学习算法，无需任何额外硬件即可将定位精度提升至米级甚至区分不同座位。\n- 通过在卧室、厨房等区域简单运行 `whereami learn` 采集样本，几分钟内即可完成模型训练并识别垂直高度差异。\n- 系统能自动输出当前位置概率（如 `{\"couch_1\": 0.98}`），轻松联动 Home Assistant 或 Hue 灯光实现“人到灯亮、座变景换”的自动化流。\n- 支持跨平台运行且在历史数据交叉验证中准确率超 99%，大幅缩短从原型设计到实际落地的开发周期。\n\nwhereami 将普通的 WiFi 信号转化为高精度的空间感知能力，让室内位置智能变得零成本且极易部署。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkootenpv_whereami_3a97e949.png","kootenpv","Pascal van Kooten","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkootenpv_d4dab708.jpg","Quant Dev (former AI\u002FDeep Learning)","Van Kooten AI Solutions \u002F ex-mgnr","Utrecht, Netherlands","kootenpv@gmail.com",null,"https:\u002F\u002Fgithub.com\u002Fkootenpv",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,5143,252,"2026-04-19T15:49:28","AGPL-3.0","Linux, macOS, Windows","未说明",{"notes":97,"python":98,"dependencies":99},"该工具利用 WiFi 信号和随机森林算法进行位置预测，无需 GPU。数据存储在用户主目录下的 .whereami 文件夹中。支持通过 tox 运行测试。","2.7, 3.4, 3.5+",[100,101],"scikit-learn","access_points",[18],[68,104,105,106,107,108,109,110],"wifi-signal","access-point","distance","cross-platform","indoor-positioning","hacktoberfest","hacktoberfest2021","2026-03-27T02:49:30.150509","2026-04-20T19:41:04.065728",[114,119,124,128,133,138],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},45442,"运行 whereami 时出现 'ValueError: Found array with 0 feature(s)' 错误怎么办？","这通常是因为采集的样本数据特征为空。维护者建议尝试采集更多样本（增加采样次数）来解决此问题。如果问题依旧，请检查 WiFi 信号是否稳定，并确保在不同时间段多次采样以提高模型训练的准确性。","https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Fwhereami\u002Fissues\u002F7",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},45443,"首次采样时遇到 'ValueError: invalid literal for int()' 解析错误如何解决？","该错误通常由依赖包版本过旧或解析逻辑不兼容引起。解决方案是更新相关依赖包。请运行以下命令升级：\npip install -U --no-cache access_points\n或者确保 whereami 版本至少为 0.3.37，维护者已在此版本中修复了该解析问题。","https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Fwhereami\u002Fissues\u002F5",{"id":125,"question_zh":126,"answer_zh":127,"source_url":118},45444,"whereami 的定位精度如何？能否检测细微的位置变化（如移动一步）？","定位精度取决于环境和 WiFi 信号的稳定性。一般来说，房间之间的定位准确率接近 100%。对于更细微的变化（如相距 2 米的沙发之间），准确率约为 70%。由于 WiFi 信号会随时间漂移，建议采用交替采样策略（例如在位置 A 采 20 次，位置 B 采 20 次，反复几次），而不是一次性在一个位置采完所有样本，这样能显著提高预测的可信度。单步移动可能因硬件信号粒度太粗而无法被检测到。",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},45445,"遇到 'invalid literal for int() with base 10: '86  1'' 这类格式解析错误怎么办？","这是由于 WiFi 扫描输出的格式异常导致的解析失败。维护者已将解析器升级为正则表达式模式以兼容不同格式。请运行以下命令更新依赖包即可解决：\npip install -U --no-cache access_points","https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Fwhereami\u002Fissues\u002F12",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},45446,"运行学习命令时报错 'ValueError: Sample sequence X is empty' 是什么原因？","该错误表示采集到的样本序列为空，通常是因为无法获取有效的 WiFi 接入点数据。常见原因是开启了 WiFi 热点（Hotspot）模式。请关闭 WiFi 热点功能，确保设备正常连接到 WiFi 接入点（AP）并能扫描到周围的其他接入点（建议周围有数个 AP），然后重新运行命令。","https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Fwhereami\u002Fissues\u002F22",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},45447,"如何使用 whereami 追踪手机位置或获取手机的 RSSI 值？","whereami 主要设计用于电脑端。若需在手机上获取 RSSI 值或进行追踪：\n1. Android 用户可以使用 Termux 环境，目前 access_points 库已合并了对 Termux 的支持，理论上可以在 Android 上运行。\n2. 也可以参考 [monitor.sh](https:\u002F\u002Fgithub.com\u002Fandrewjfreyer\u002Fmonitor) 项目，它旨在无需机器学习即可实现类似监控功能。\n3. 如果目的是开发 App，可以提取 RSSI 列表后，尝试复用 whereami 的机器学习逻辑进行位置估算，但这可能需要自行适配代码。","https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Fwhereami\u002Fissues\u002F53",[]]