[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-kuleshov--cornell-cs5785-2025-applied-ml":3,"similar-kuleshov--cornell-cs5785-2025-applied-ml":54},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":17,"owner_twitter":20,"owner_website":21,"owner_url":22,"languages":23,"stars":38,"forks":39,"last_commit_at":40,"license":17,"difficulty_score":41,"env_os":42,"env_gpu":42,"env_ram":42,"env_deps":43,"category_tags":46,"github_topics":17,"view_count":48,"oss_zip_url":17,"oss_zip_packed_at":17,"status":49,"created_at":50,"updated_at":51,"faqs":52,"releases":53},6228,"kuleshov\u002Fcornell-cs5785-2025-applied-ml","cornell-cs5785-2025-applied-ml","Lecture materials for Cornell CS5785 Applied Machine Learning (Fall 2024)","cornell-cs5785-2025-applied-ml 是康奈尔大学及康奈尔科技学院 2025 年秋季“应用机器学习”课程的开源教学资源库。它主要解决了学习者难以获取系统化、可交互且紧跟前沿的机器学习课程资料的问题，将传统的静态课件升级为可执行的代码笔记。\n\n这套资源非常适合希望系统掌握机器学习实战技能的开发者、计算机专业学生以及研究人员使用。与普通教程不同，它的核心亮点在于提供了“可执行课程笔记”，不仅包含详细的理论讲解幻灯片，还集成了完整的代码环境配置（通过 requirements.txt），让用户能够直接在本地运行和修改示例代码，实现从理论到实践的无缝衔接。此外，项目明确区分了新版内容与讲师早期 YouTube 视频版本的差异，确保用户学习的是最新知识体系。无论是用于自学提升还是作为高校教学参考，cornell-cs5785-2025-applied-ml 都提供了一条清晰、严谨且动手性强的学习路径。","# Applied Machine Learning (Cornell CS5785, Fall 2025)\n\nThis repo contains executable course notes and slides for the Applied ML course at Cornell and Cornell Tech (Fall 2025 edition).\n\nNote that these notes are slightly different from the ones used in my Youtube [lecture videos](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=vcE9WGbi4QY&list=PL2UML_KCiC0UlY7iCQDSiGDMovaupqc83) videos from the Fall 2020 edition of the course. You may find these in my other Github repo.\n\nAll PDF slides (from Fall 2024) are available [here](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1-M6tNLGOMa4erAMj31jwmm-6m2MK0Prw?usp=sharing).\n\n## Contents\n\nThis repo is organized as follows.\n\n```\n.\n├── README.md\n├── slides                # Course slides\n├── lecture-notes         # Lecture notes (expanding on the material in the slides)\n└── requirements.txt      # Packages needed for your virtualenv\n```\n\n\n## Setup\n\n### Requirements\n\nYou should be able to run all the contents of this repo using the packages provided in `requirements.txt`.\n\nIn a new `virtualenv`, run this:\n```\npip install -r requirements.txt\n```\n\n## Feedback\n\nPlease send feedback to [Volodymyr Kuleshov](https:\u002F\u002Fwww.cs.cornell.edu\u002F~kuleshov\u002F)\n","# 应用机器学习（康奈尔大学CS5785，2025年秋季）\n\n此仓库包含康奈尔大学及康奈尔科技学院应用机器学习课程的可执行课程笔记和幻灯片（2025年秋季版）。\n\n请注意，这些笔记与我在2020年秋季版课程的YouTube[讲座视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=vcE9WGbi4QY&list=PL2UML_KCiC0UlY7iCQDSiGDMovaupqc83)中使用的笔记略有不同。您可以在我的另一个GitHub仓库中找到那些笔记。\n\n所有PDF格式的幻灯片（来自2024年秋季）均可在此[链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1-M6tNLGOMa4erAMj31jwmm-6m2MK0Prw?usp=sharing)获取。\n\n## 目录\n\n本仓库的组织结构如下：\n\n```\n.\n├── README.md\n├── slides                # 课程幻灯片\n├── lecture-notes         # 课程笔记（对幻灯片内容的扩展）\n└── requirements.txt      # 您的虚拟环境所需的软件包\n```\n\n\n## 设置\n\n### 需求\n\n您应该能够使用`requirements.txt`中提供的软件包运行本仓库中的所有内容。\n\n在新的`virtualenv`环境中，运行以下命令：\n```\npip install -r requirements.txt\n```\n\n## 反馈\n\n请将反馈发送至[Volodymyr Kuleshov](https:\u002F\u002Fwww.cs.cornell.edu\u002F~kuleshov\u002F)","# Cornell CS5785 应用机器学习快速上手指南\n\n本指南基于康奈尔大学 2025 年秋季学期《应用机器学习》（Applied Machine Learning）课程的开源代码库，帮助开发者快速搭建可执行的课程笔记与实验环境。\n\n## 环境准备\n\n- **操作系统**：支持 Linux、macOS 或 Windows（建议使用 WSL2）\n- **Python 版本**：推荐 Python 3.8 及以上版本\n- **依赖管理**：需安装 `pip` 和 `virtualenv`（或 `venv` 模块）\n- **网络建议**：若下载依赖较慢，可配置国内镜像源（如清华、阿里云等）\n\n## 安装步骤\n\n1. 克隆仓库到本地：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fkuleshov\u002Fcornell-cs5785-2025-applied-ml.git\n   cd cornell-cs5785-2025-applied-ml\n   ```\n\n2. 创建并激活虚拟环境：\n   ```bash\n   python -m venv venv\n   source venv\u002Fbin\u002Factivate  # Linux\u002FmacOS\n   # 或在 Windows 上使用：venv\\Scripts\\activate\n   ```\n\n3. （可选）配置国内 pip 镜像加速安装：\n   ```bash\n   pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n4. 安装课程所需依赖包：\n   ```bash\n   pip install -r requirements.txt\n   ```\n\n## 基本使用\n\n安装完成后，即可运行课程提供的可执行笔记（通常为 Jupyter Notebook 格式）：\n\n```bash\njupyter notebook lecture-notes\u002F\n```\n\n浏览器将自动打开界面，选择任意 `.ipynb` 文件即可查看交互式课程内容、运行代码示例并复现幻灯片中的机器学习模型。\n\n> 提示：课程幻灯片位于 `slides\u002F` 目录，详细讲义在 `lecture-notes\u002F` 中展开，两者配合学习效果更佳。","某科技公司数据科学团队正急需为初级工程师构建一套系统的机器学习实战培训体系，以应对日益复杂的业务建模需求。\n\n### 没有 cornell-cs5785-2025-applied-ml 时\n- 培训资料零散且过时，工程师需自行在网络上拼凑教程，导致知识体系碎片化，难以形成完整的方法论。\n- 理论代码与生产环境脱节，缺乏统一的依赖配置，新人常在环境搭建和复现经典算法上浪费数天时间。\n- 缺少权威的讲义与幻灯片对照，讲师备课成本高，学员难以将抽象的数学推导与实际代码实现有效关联。\n- 学习内容滞后于行业前沿，团队无法及时获取如 2024-2025 年最新的模型应用技巧，影响项目交付质量。\n\n### 使用 cornell-cs5785-2025-applied-ml 后\n- 直接引入康奈尔大学最新的教学大纲，团队拥有了结构严谨、内容前沿的标准化教材，迅速统一了全员知识基线。\n- 利用仓库中提供的 `requirements.txt` 一键配置虚拟环境，确保所有可执行笔记在不同机器上无缝运行，极大降低了复现门槛。\n- 结合 `slides` 中的演示文稿与 `lecture-notes` 中的深度代码解析，培训师能高效开展“理论 + 实战”双轨教学，提升理解效率。\n- 紧跟 Fall 2025 版本的课程更新，团队成员直接掌握了最新的工业级机器学习应用模式，显著缩短了从学习到产出的周期。\n\ncornell-cs5785-2025-applied-ml 将顶尖学府的系统化教学资源转化为即插即用的企业培训资产，彻底解决了团队在技术落地过程中的知识断层与效率瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkuleshov_cornell-cs5785-2025-applied-ml_604c4b6d.png","kuleshov","Volodymyr Kuleshov","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkuleshov_5c9f3c38.jpg",null,"Cornell Tech","New York, NY","volokuleshov","https:\u002F\u002Fwww.cs.cornell.edu\u002F~kuleshov\u002F","https:\u002F\u002Fgithub.com\u002Fkuleshov",[24,28,32,35],{"name":25,"color":26,"percentage":27},"Jupyter Notebook","#DA5B0B",100,{"name":29,"color":30,"percentage":31},"Makefile","#427819",0,{"name":33,"color":34,"percentage":31},"CSS","#663399",{"name":36,"color":37,"percentage":31},"Python","#3572A5",532,184,"2026-03-22T14:24:05",1,"未说明",{"notes":44,"python":42,"dependencies":45},"README 中未列出具体的依赖库名称和版本，仅指出所有需要的包都包含在 requirements.txt 文件中。用户需要创建一个新的虚拟环境（virtualenv）并运行 `pip install -r requirements.txt` 来安装依赖。该仓库主要包含课程的可执行笔记和幻灯片。",[],[47],"其他",2,"ready","2026-03-27T02:49:30.150509","2026-04-10T20:36:51.843252",[],[],[55,71,79,87,96,104],{"id":56,"name":57,"github_repo":58,"description_zh":59,"stars":60,"difficulty_score":48,"last_commit_at":61,"category_tags":62,"status":49},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,"2026-04-10T11:13:16",[63,64,65,66,67,47,68,69,70],"图像","数据工具","视频","插件","Agent","语言模型","开发框架","音频",{"id":72,"name":73,"github_repo":74,"description_zh":75,"stars":76,"difficulty_score":41,"last_commit_at":77,"category_tags":78,"status":49},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,"2026-04-08T20:11:31",[68,64,47],{"id":80,"name":81,"github_repo":82,"description_zh":83,"stars":84,"difficulty_score":41,"last_commit_at":85,"category_tags":86,"status":49},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",[47,63,64,69],{"id":88,"name":89,"github_repo":90,"description_zh":91,"stars":92,"difficulty_score":93,"last_commit_at":94,"category_tags":95,"status":49},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",[67,63,69,68,47],{"id":97,"name":98,"github_repo":99,"description_zh":100,"stars":101,"difficulty_score":93,"last_commit_at":102,"category_tags":103,"status":49},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。",75309,"2026-04-10T11:12:54",[68,63,69,47],{"id":105,"name":106,"github_repo":107,"description_zh":108,"stars":109,"difficulty_score":41,"last_commit_at":110,"category_tags":111,"status":49},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",[69,47]]