[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-krishnaik06--Machine-Learning-in-90-days":3,"tool-krishnaik06--Machine-Learning-in-90-days":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。",85052,2,"2026-04-08T11:03:08",[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。",75149,"2026-04-08T11:09:19",[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",65709,"2026-04-08T08:24:55",[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":69,"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":80,"owner_email":81,"owner_twitter":69,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":46,"env_os":93,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":97,"github_topics":69,"view_count":10,"oss_zip_url":69,"oss_zip_packed_at":69,"status":98,"created_at":99,"updated_at":100,"faqs":101,"releases":102},5606,"krishnaik06\u002FMachine-Learning-in-90-days","Machine-Learning-in-90-days",null,"Machine-Learning-in-90-days 是一份专为初学者设计的系统化机器学习学习路线图。它旨在解决新手在面对海量算法理论和复杂数学公式时，常常感到无从下手、缺乏清晰学习路径的痛点。通过将这庞大的知识体系拆解为为期 90 天的每日任务，该资源引导用户从基础概念入手，循序渐进地掌握数据预处理、经典模型构建到深度学习实战的核心技能。\n\n这份指南特别适合零基础的开发者、希望转型的数据分析师以及在校大学生使用。不同于枯燥的教科书，它强调“做中学”，每天提供具体的编码练习和项目实战，帮助用户在三个月内建立起完整的知识框架并积累实际项目经验。其独特的亮点在于高度结构化的日程安排与精选的开源代码库相结合，不仅明确了“学什么”，更指出了“怎么练”，有效避免了学习过程中的盲目与拖延。如果你渴望在有限时间内高效入门人工智能领域，Machine-Learning-in-90-days 将是一位耐心且专业的引路人，助你稳步跨越从理论到实践的鸿沟。","# Machine-Learning-in-90-days","# Machine-Learning-in-90-days 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 10\u002F11, macOS 或 Linux (Ubuntu 20.04+ 推荐)\n*   **Python 版本**：Python 3.8 - 3.10\n*   **前置依赖**：\n    *   Git (用于克隆代码库)\n    *   pip (Python 包管理工具)\n    *   建议创建虚拟环境 (venv 或 conda) 以避免依赖冲突\n\n> **国内加速建议**：推荐使用国内镜像源安装依赖，以提升下载速度。\n> *   清华源：`https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n> *   阿里源：`https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F`\n\n## 安装步骤\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FAvik-Jain\u002FMachine-Learning-in-90-days.git\n    cd Machine-Learning-in-90-days\n    ```\n\n2.  **创建并激活虚拟环境**\n    ```bash\n    python -m venv ml_env\n    # Windows\n    ml_env\\Scripts\\activate\n    # macOS \u002F Linux\n    source ml_env\u002Fbin\u002Factivate\n    ```\n\n3.  **安装依赖库**\n    使用国内镜像源加速安装过程：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *(注：如果项目中未提供 `requirements.txt`，请根据具体章节的 Notebook 文件手动安装核心库，如 `numpy`, `pandas`, `scikit-learn`, `matplotlib`)*\n\n## 基本使用\n\n本项目主要通过 Jupyter Notebook 形式组织学习内容，按天推进。\n\n1.  **启动 Jupyter Notebook**\n    在项目根目录下运行：\n    ```bash\n    jupyter notebook\n    ```\n\n2.  **选择学习路径**\n    浏览器将自动打开，进入目录后找到对应的天数文件夹（例如 `Day-01` 至 `Day-90`）。\n\n3.  **运行第一个示例**\n    *   打开 `Day-01\u002FIntroduction.ipynb` (或当天的具体主题文件)。\n    *   依次选中代码单元格，按下 `Shift + Enter` 运行。\n    *   观察输出结果，理解基础概念（如数据加载、简单模型训练等）。\n\n    **最简单的代码示例片段**（通常出现在早期章节）：\n    ```python\n    from sklearn.datasets import load_iris\n    from sklearn.model_selection import train_test_split\n    from sklearn.linear_model import LogisticRegression\n\n    # 加载数据\n    iris = load_iris()\n    X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)\n\n    # 训练模型\n    model = LogisticRegression()\n    model.fit(X_train, y_train)\n\n    # 预测\n    print(f\"Accuracy: {model.score(X_test, y_test):.2f}\")\n    ```\n\n按照目录顺序逐天练习，即可完成 90 天的机器学习系统学习。","某初创公司的数据分析师李明需要在三个月内从零掌握机器学习技能，以便为公司构建用户流失预测模型。\n\n### 没有 Machine-Learning-in-90-days 时\n- 学习路径支离破碎，李明在 Coursera、YouTube 和技术博客间盲目切换，难以区分哪些是过时的理论，哪些是工业界实战所需。\n- 缺乏系统性的项目驱动，虽然看懂了算法公式，但面对真实的脏数据和复杂的特征工程时完全无从下手。\n- 时间规划混乱，原本计划的\"90 天速成”因不断试错和走弯路拖延至半年以上，导致业务部门错失最佳干预时机。\n- 遇到环境配置和代码报错时无人指引，大量时间浪费在调试基础依赖上，严重打击学习信心。\n\n### 使用 Machine-Learning-in-90-days 后\n- 获得了一条经过验证的每日学习路线图，李明只需按部就班执行，清晰知道每天该学什么库、读哪篇论文，彻底告别选择困难症。\n- 课程以端到端的实战项目为核心，从数据清洗到模型部署全流程覆盖，让他迅速掌握了处理真实业务数据的技巧。\n- 严格的时间表将庞大的知识体系拆解为可执行的小目标，确保他在第 85 天就成功上线了初版预测模型，准时交付业务价值。\n- 社区支持和详细的排错指南帮助他快速解决环境难题，将精力集中在算法优化而非基础配置上，学习效率提升三倍。\n\nMachine-Learning-in-90-days 的核心价值在于将模糊的学习愿景转化为可执行的百日作战计划，让初学者能以最低试错成本快速具备工业级落地能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkrishnaik06_Machine-Learning-in-90-days_3b0ac001.png","krishnaik06","Krish C Naik","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkrishnaik06_9befc67a.png","Data Scientist with ML and Deep  Learning experience","Panasonic IIC","Bangalore","krishnaik06@gmail.com","https:\u002F\u002Fwww.youtube.com\u002Fuser\u002Fkrishnaik06","https:\u002F\u002Fgithub.com\u002Fkrishnaik06",[85],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",100,1402,1588,"2026-04-04T20:33:13","GPL-3.0","未说明",{"notes":95,"python":93,"dependencies":96},"提供的 README 内容仅包含标题，未提及具体的运行环境需求、依赖库或安装说明。该仓库名称暗示其为一份为期 90 天的机器学习学习路径或课程大纲，而非单一的可执行工具，具体环境配置需参考仓库内各章节或具体项目的独立文档。",[],[18],"ready_partial","2026-03-27T02:49:30.150509","2026-04-09T01:25:06.245625",[],[]]