[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-lazyprogrammer--machine_learning_examples":3,"tool-lazyprogrammer--machine_learning_examples":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",146793,2,"2026-04-08T23:32:35",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":77,"difficulty_score":88,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":94,"github_topics":96,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":135},5741,"lazyprogrammer\u002Fmachine_learning_examples","machine_learning_examples","A collection of machine learning examples and tutorials.","machine_learning_examples 是一个汇集了丰富机器学习示例代码与教程的开源资源库，旨在帮助学习者通过实战掌握人工智能技术。它主要解决了初学者在理论学习后缺乏高质量、可运行代码参考的痛点，提供了从基础算法到前沿模型的完整实现路径。\n\n该资源库特别适合开发者、数据科学学生以及希望转行进入 AI 领域的研究人员使用。其内容覆盖广泛，不仅包含传统的统计推断与线性回归，还深入涉及深度学习、自然语言处理（如 Transformers）、强化学习以及生成式 AI 等热门方向。支持 PyTorch 和 TensorFlow 2.0 等主流框架，部分最新课程代码更直接基于 Google Colab 环境，方便用户零配置上手体验。\n\n值得一提的是，machine_learning_examples 与其配套的专业课程紧密联动，每个课程对应独立的代码文件夹，结构清晰易懂。作者建议用户通过\"clone\"而非\"fork\"的方式获取代码，以便随时通过简单的命令同步更新，确保所学内容与最新的技术发展保持一致。无论是想夯实数学基础，还是构建复杂的交易机器人或深伪检测模型，这里都能提供切实可行的代","machine_learning_examples 是一个汇集了丰富机器学习示例代码与教程的开源资源库，旨在帮助学习者通过实战掌握人工智能技术。它主要解决了初学者在理论学习后缺乏高质量、可运行代码参考的痛点，提供了从基础算法到前沿模型的完整实现路径。\n\n该资源库特别适合开发者、数据科学学生以及希望转行进入 AI 领域的研究人员使用。其内容覆盖广泛，不仅包含传统的统计推断与线性回归，还深入涉及深度学习、自然语言处理（如 Transformers）、强化学习以及生成式 AI 等热门方向。支持 PyTorch 和 TensorFlow 2.0 等主流框架，部分最新课程代码更直接基于 Google Colab 环境，方便用户零配置上手体验。\n\n值得一提的是，machine_learning_examples 与其配套的专业课程紧密联动，每个课程对应独立的代码文件夹，结构清晰易懂。作者建议用户通过\"clone\"而非\"fork\"的方式获取代码，以便随时通过简单的命令同步更新，确保所学内容与最新的技术发展保持一致。无论是想夯实数学基础，还是构建复杂的交易机器人或深伪检测模型，这里都能提供切实可行的代码指引。","machine_learning_examples\n=========================\n\nA collection of machine learning examples and tutorials.\n\nFind associated tutorials at https:\u002F\u002Flazyprogrammer.me\n\nFind associated courses at https:\u002F\u002Fdeeplearningcourses.com\n\nPlease note that not all code from all courses will be found in this repository. Some newer code examples (e.g. most of Tensorflow 2.0) were done in Google Colab. Therefore, you should check the instructions given in the lectures for the course you are taking.\n\n\nHow to I find the code for a particular course?\n===============================================\n\nThe code for each course is separated by folder. You can determine which folder corresponds with which course by watching the \"Where to get the code\" lecture inside the course (usually Lecture 2 or 3).\n\nRemember: one folder = one course.\n\n\nWhy you should not fork this repo\n=================================\n\nI've noticed that many people have out-of-date forks. Thus, I recommend not forking this repository if you take one of my courses. I am constantly updating my courses, and your fork will soon become out-of-date. You should clone the repository instead to make it easy to get updates (i.e. just \"git pull\" randomly and frequently).\n\n\nWhere is the code for your latest courses?\n==========================================\n\nBeginning with Tensorflow 2, I started to use Google Colab. For those courses, unless otherwise noted, the code will be on Google Colab. Links to the notebooks are provided in the course. See the lecture \"Where to get the code\" for further details.\n\n\nVIP Course Links\n===================\n\n**Advanced AI: Deep Reinforcement Learning in PyTorch (v2)**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-reinforcement-learning-in-pytorch\n\n\n**Data Science: Transformers for Natural Language Processing**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-transformers-nlp\n\n\n**Machine Learning: Natural Language Processing in Python (V2)**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fnatural-language-processing-in-python\n\n\n**Time Series Analysis, Forecasting, and Machine Learning**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Ftime-series-analysis\n\n\n**Financial Engineering and Artificial Intelligence in Python**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fai-finance\n\n\n**PyTorch: Deep Learning and Artificial Intelligence**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fpytorch-deep-learning\n\n\n**Tensorflow 2.0: Deep Learning and Artificial Intelligence** (VIP Version)\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-tensorflow-2\n\n\n**Math 0-1: Linear Algebra for Data Science & Machine Learning**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Flinear-algebra-data-science\n\n**Math 0-1: Probability for Data Science & Machine Learning**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fprobability-data-science-machine-learning\n\n\nDeep Learning Courses Exclusives\n================================\n\nData Science: Bayesian Linear Regression in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fbayesian-linear-regression-in-python\n\nData Science: Bayesian Classification in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fbayesian-classification-in-python\n\nClassical Statistical Inference and A\u002FB Testing in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fstatistical-inference-in-python\n\nLinear Programming for Linear Regression in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Flinear-programming-python\n\nMATLAB for Students, Engineers, and Professionals in STEM\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fmatlab\n\n\n\nOther Course Links\n==================\n\nGenerative AI: ChatGPT & OpenAI LLMs in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fgenai-openai-chatgpt\n\nMath 0-1: Matrix Calculus for Data Science & Machine Learning\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fmatrix-calculus-machine-learning\n\nMachine Learning: Modern Computer Vision & Generative AI\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fcomputer-vision-kerascv\n\nDeepFakes & Voice Cloning: Machine Learning The Easy Way\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeepfakes-voice-cloning\n\nFinancial Analysis: Build a ChatGPT Pairs Trading Bot\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fchatgpt-pairs-trading\n\nMath 0-1: Calculus for Data Science & Machine Learning\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fcalculus-data-science\n\nData Science & Machine Learning: Naive Bayes in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-machine-learning-naive-bayes-in-python\n\nCutting-Edge AI: Deep Reinforcement Learning in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fcutting-edge-artificial-intelligence\n\nRecommender Systems and Deep Learning in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Frecommender-systems\n\nMachine Learning and AI: Support Vector Machines in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fsupport-vector-machines-in-python\n\nDeep Learning: Advanced Computer Vision\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fadvanced-computer-vision\n\nDeep Learning: Advanced NLP and RNNs\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-advanced-nlp\n\nDeep Learning: GANs and Variational Autoencoders\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-gans-and-variational-autoencoders\n\nAdvanced AI: Deep Reinforcement Learning in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-reinforcement-learning-in-python\n\nArtificial Intelligence: Reinforcement Learning in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fartificial-intelligence-reinforcement-learning-in-python\n\nNatural Language Processing with Deep Learning in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fnatural-language-processing-with-deep-learning-in-python\n\nDeep Learning: Recurrent Neural Networks in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-recurrent-neural-networks-in-python\n\nUnsupervised Machine Learning: Hidden Markov Models in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Funsupervised-machine-learning-hidden-markov-models-in-python\n\nDeep Learning Prerequisites: The Numpy Stack in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-prerequisites-the-numpy-stack-in-python\n\nDeep Learning Prerequisites: Linear Regression in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-linear-regression-in-python\n\nDeep Learning Prerequisites: Logistic Regression in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-logistic-regression-in-python\n\nData Science: Deep Learning and Neural Networks in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-deep-learning-in-python\n\nCluster Analysis and Unsupervised Machine Learning in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fcluster-analysis-unsupervised-machine-learning-python\n\nData Science: Supervised Machine Learning in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-supervised-machine-learning-in-python\n\nBayesian Machine Learning in Python: A\u002FB Testing\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fbayesian-machine-learning-in-python-ab-testing\n\nData Science: Natural Language Processing in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-natural-language-processing-in-python\n\nModern Deep Learning in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-deep-learning-in-theano-tensorflow\n\nEnsemble Machine Learning in Python: Random Forest and AdaBoost\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fmachine-learning-in-python-random-forest-adaboost\n\nDeep Learning: Convolutional Neural Networks in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-convolutional-neural-networks-theano-tensorflow\n\nUnsupervised Deep Learning in Python\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Funsupervised-deep-learning-in-python\n","机器学习示例\n=========================\n\n一系列机器学习示例和教程的集合。\n\n相关教程请访问：https:\u002F\u002Flazyprogrammer.me\n\n相关课程请访问：https:\u002F\u002Fdeeplearningcourses.com\n\n请注意，并非所有课程中的代码都会在此仓库中找到。一些较新的代码示例（例如大多数 TensorFlow 2.0 的内容）是在 Google Colab 中完成的。因此，您应该查看所学课程讲座中给出的说明。\n\n\n如何找到特定课程的代码？\n===============================================\n\n每门课程的代码都分别放在不同的文件夹中。您可以通过观看课程内的“在哪里获取代码”讲座（通常在第 2 或第 3 讲）来确定哪个文件夹对应哪门课程。\n\n记住：一个文件夹 = 一门课程。\n\n\n为什么你不应该 fork 这个仓库？\n=================================\n\n我注意到很多人维护着过时的 fork 版本。因此，如果您正在学习我的课程之一，我建议不要 fork 此仓库。我会不断更新我的课程，而您的 fork 很快就会变得过时。相反，您应该克隆这个仓库，以便更容易地获取更新（即经常执行“git pull”）。\n\n\n你最新课程的代码在哪里？\n==========================================\n\n从 TensorFlow 2 开始，我开始使用 Google Colab。对于这些课程，除非另有说明，否则代码将托管在 Google Colab 上。笔记本链接会在课程中提供。更多详情请参阅“在哪里获取代码”讲座。\n\n\nVIP 课程链接\n===================\n\n**高级人工智能：PyTorch 中的深度强化学习（v2）**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-reinforcement-learning-in-pytorch\n\n\n**数据科学：自然语言处理中的 Transformer 模型**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-transformers-nlp\n\n\n**机器学习：Python 中的自然语言处理（V2）**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fnatural-language-processing-in-python\n\n\n**时间序列分析、预测与机器学习**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Ftime-series-analysis\n\n\n**Python 中的金融工程与人工智能**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fai-finance\n\n\n**PyTorch：深度学习与人工智能**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fpytorch-deep-learning\n\n\n**TensorFlow 2.0：深度学习与人工智能**（VIP 版）\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-tensorflow-2\n\n\n**数学 0-1：面向数据科学与机器学习的线性代数**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Flinear-algebra-data-science\n\n**数学 0-1：面向数据科学与机器学习的概率论**\n\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fprobability-data-science-machine-learning\n\n\n深度学习课程专属\n================================\n\n数据科学：Python 中的贝叶斯线性回归  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fbayesian-linear-regression-in-python  \n\n数据科学：Python 中的贝叶斯分类  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fbayesian-classification-in-python  \n\nPython 中的经典统计推断与 A\u002FB 测试  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fstatistical-inference-in-python  \n\nPython 中用于线性回归的线性规划  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Flinear-programming-python  \n\nMATLAB：面向 STEM 领域学生、工程师及专业人士  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fmatlab\n\n\n\n其他课程链接\n==================\n\n生成式 AI：ChatGPT 和 OpenAI 大型语言模型的 Python 实现  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fgenai-openai-chatgpt  \n\n数学 0-1：面向数据科学与机器学习的矩阵微积分  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fmatrix-calculus-machine-learning  \n\n机器学习：现代计算机视觉与生成式 AI  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fcomputer-vision-kerascv  \n\nDeepFakes 与语音克隆：轻松上手的机器学习方法  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeepfakes-voice-cloning  \n\n金融分析：构建 ChatGPT 配对交易机器人  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fchatgpt-pairs-trading  \n\n数学 0-1：面向数据科学与机器学习的微积分  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fcalculus-data-science  \n\n数据科学与机器学习：Python 中的朴素贝叶斯  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-machine-learning-naive-bayes-in-python  \n\n前沿人工智能：Python 中的深度强化学习  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fcutting-edge-artificial-intelligence  \n\n推荐系统与深度学习的 Python 实现  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Frecommender-systems  \n\n机器学习与人工智能：Python 中的支持向量机  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fsupport-vector-machines-in-python  \n\n深度学习：高级计算机视觉  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fadvanced-computer-vision  \n\n深度学习：高级 NLP 与 RNN  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-advanced-nlp  \n\n深度学习：GAN 与变分自编码器  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-gans-and-variational-autoencoders  \n\n高级人工智能：Python 中的深度强化学习  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-reinforcement-learning-in-python  \n\n人工智能：Python 中的强化学习  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fartificial-intelligence-reinforcement-learning-in-python  \n\nPython 中的深度学习自然语言处理  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fnatural-language-processing-with-deep-learning-in-python  \n\n深度学习：Python 中的循环神经网络  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-recurrent-neural-networks-in-python  \n\n无监督机器学习：Python 中的隐马尔可夫模型  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Funsupervised-machine-learning-hidden-markov-models-in-python  \n\n深度学习先修知识：Python 中的 NumPy 技术栈  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-prerequisites-the-numpy-stack-in-python  \n\n深度学习先修知识：Python 中的线性回归  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-linear-regression-in-python  \n\n深度学习先修知识：Python 中的逻辑回归  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-logistic-regression-in-python  \n\n数据科学：Python 中的深度学习与神经网络  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-deep-learning-in-python  \n\n聚类分析与无监督机器学习的 Python 实现  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fcluster-analysis-unsupervised-machine-learning-python  \n\n数据科学：Python 中的监督机器学习  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-supervised-machine-learning-in-python  \n\nPython 中的贝叶斯机器学习：A\u002FB 测试  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fbayesian-machine-learning-in-python-ab-testing  \n\n数据科学：Python 中的自然语言处理  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-natural-language-processing-in-python  \n\n现代深度学习的 Python 实现  \nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdata-science-deep-learning-in-theano-tensorflow\n\nPython中的集成机器学习：随机森林与AdaBoost\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fmachine-learning-in-python-random-forest-adaboost\n\n深度学习：Python中的卷积神经网络\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Fdeep-learning-convolutional-neural-networks-theano-tensorflow\n\nPython中的无监督深度学习\nhttps:\u002F\u002Fdeeplearningcourses.com\u002Fc\u002Funsupervised-deep-learning-in-python","# machine_learning_examples 快速上手指南\n\n本仓库是 Lazy Programmer 系列机器学习课程的代码示例集合，涵盖从基础统计到深度强化学习、NLP 及计算机视觉等多个领域。\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、macOS 或 Linux。\n*   **Python 版本**：推荐 Python 3.8 及以上版本（部分旧示例可能兼容 Python 2.7，但建议统一使用 Python 3）。\n*   **核心依赖库**：\n    *   `numpy`, `pandas`, `matplotlib`, `scikit-learn`\n    *   深度学习框架：`tensorflow` (2.x), `pytorch`, `keras`\n    *   其他：`scipy`, `hmmlearn` 等（具体取决于您运行的课程章节）\n\n**建议**：使用虚拟环境（如 `venv` 或 `conda`）隔离依赖，避免版本冲突。\n\n```bash\n# 创建并激活虚拟环境 (示例)\npython -m venv ml_env\nsource ml_env\u002Fbin\u002Factivate  # Windows 用户请使用: ml_env\\Scripts\\activate\n```\n\n## 安装步骤\n\n作者**强烈不建议 Fork** 此仓库，因为课程更新频繁，Fork 容易过时。请直接 **Clone** 仓库以便随时通过 `git pull` 获取最新代码。\n\n### 1. 克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Flazyprogrammer\u002Fmachine_learning_examples.git\ncd machine_learning_examples\n```\n\n### 2. 安装依赖\n\n由于不同课程所需的库略有差异，建议先安装通用的数据科学栈，再根据具体课程需求补充安装。\n\n**使用 pip 安装基础依赖：**\n\n```bash\npip install numpy pandas matplotlib scikit-learn scipy\n```\n\n**安装深度学习框架（按需选择）：**\n\n```bash\n# 安装 TensorFlow 2.x\npip install tensorflow\n\n# 或者安装 PyTorch (访问 pytorch.org 获取适合您环境的命令，以下为 CPU 版本示例)\npip install torch torchvision torchaudio\n```\n\n> **注意**：部分最新课程（特别是涉及 Tensorflow 2.0 及以后的内容）主要在 **Google Colab** 上运行。请查看对应课程的 \"Where to get the code\" 章节（通常为第 2 或 3 讲）以获取具体的 Notebook 链接，无需在本地配置复杂环境。\n\n## 基本使用\n\n本仓库的代码按**课程文件夹**进行组织，每个文件夹对应一门独立的课程。\n\n### 1. 定位课程代码\n\n进入仓库目录后，浏览文件夹名称。如果您不确定哪个文件夹对应哪门课，请参考课程视频中的指引。\n\n```bash\nls\n# 输出示例：\n# anaconda_class ML_for_trading nlp_class pytorch_class tensorflow_2 ...\n```\n\n### 2. 运行示例\n\n假设您要运行监督学习相关的示例（通常位于 `supervised_learning` 或类似命名的文件夹中，具体视课程结构而定）：\n\n```bash\n# 进入特定课程文件夹 (以 data_science_supervised_machine_learning 为例)\ncd data_science_supervised_machine_learning\n\n# 查看该目录下的脚本\nls\n\n# 运行具体的 Python 脚本\npython name_of_script.py\n```\n\n### 3. 使用 Google Colab (针对新课程)\n\n对于标记为在 Colab 上运行的课程：\n\n1.  点击课程提供的 Colab 链接。\n2.  在浏览器中打开 Notebook。\n3.  点击菜单栏的 **Runtime (运行时)** -> **Run all (全部运行)** 即可直接体验，无需本地安装任何依赖。\n\n---\n**提示**：为了保持代码最新，请定期在项目根目录执行更新命令：\n```bash\ngit pull\n```","一名刚入职的数据科学实习生需要在一周内掌握从线性回归到 Transformer 的多种算法，以便为公司的电商推荐系统构建原型。\n\n### 没有 machine_learning_examples 时\n- **代码碎片化严重**：需要在 GitHub、博客和论坛间四处搜寻零散代码，难以确认哪些示例与当前学习的课程章节对应。\n- **环境配置耗时**：不同来源的代码依赖版本混乱，花费大量时间解决报错，而非理解算法逻辑，导致学习进度停滞。\n- **缺乏系统性指导**：找不到与特定课程（如贝叶斯分类或时间序列分析）完全匹配的实战案例，只能盲目修改通用模板，容易引入错误。\n- **更新滞后风险**：自行叉取（fork）的旧仓库无法同步讲师最新的 TensorFlow 2.0 或 PyTorch 最佳实践，学到的可能是过时技术。\n\n### 使用 machine_learning_examples 后\n- **课程代码精准匹配**：直接通过文件夹定位到对应课程（如“自然语言处理 V2\"）的专属代码库，实现理论与实战的无缝衔接。\n- **开箱即用的实验环境**：获取经过验证的最新代码，部分前沿内容直接提供 Google Colab 链接，免去本地环境调试烦恼，专注核心逻辑。\n- **体系化学习路径**：依托官方整理的教程结构，按顺序复现从基础统计推断到深度强化学习的完整案例，快速构建知识体系。\n- **持续同步前沿技术**：通过定期拉取（git pull）更新，即时获取讲师关于生成式 AI 或金融工程领域的最新代码实现，确保技术栈不落伍。\n\nmachine_learning_examples 将原本碎片化的摸索过程转化为高效的系统化实战，让开发者能站在成熟的教学肩膀上快速落地复杂算法。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flazyprogrammer_machine_learning_examples_d3c30b81.png","lazyprogrammer","LazyProgrammer.me","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flazyprogrammer_2ec6a682.png","https:\u002F\u002Fdeeplearningcourses.com",null,"https:\u002F\u002Flazyprogrammer.me","https:\u002F\u002Fgithub.com\u002Flazyprogrammer",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,8852,6438,"2026-04-08T07:53:47",1,"","未说明",{"notes":92,"python":90,"dependencies":93},"该仓库是机器学习和深度学习课程代码示例的集合。部分较新的代码（如 Tensorflow 2.0 相关内容）主要在 Google Colab 中运行，具体代码位置请参考对应课程的说明。建议通过 'git clone' 和 'git pull' 获取最新代码，而非 Fork 仓库，因为课程内容会频繁更新导致 Fork 过时。不同课程对应不同的文件夹。",[],[14,95,35,16],"其他",[97,98,99,100,101,102],"deep-learning","machine-learning","reinforcement-learning","python","natural-language-processing","data-science","2026-03-27T02:49:30.150509","2026-04-09T10:02:12.962634",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},26049,"为什么运行代码时提示找不到数据文件（如 train.csv）或文件夹不存在？","数据文件不包含在此代码仓库中。获取数据的说明位于相关的在线课程讲座中。用户需要注册并观看课程，按照讲座中的指示下载数据。此仓库仅托管源代码，不提供数据集直接下载链接。","https:\u002F\u002Fgithub.com\u002Flazyprogrammer\u002Fmachine_learning_examples\u002Fissues\u002F17",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},26050,"为什么仓库中没有 requirements.txt 文件来安装依赖？","该仓库专为在线课程设计，不同课程甚至同一课程的不同章节可能使用不同的库版本（例如 TensorFlow 1 vs 2）。提供统一的 requirements.txt 并不适用。课程的目标是让用户理解代码并从头构建，而不是自动化安装。用户应根据课程内容自行识别所需的库及其版本，或者查看具体示例目录下的说明。","https:\u002F\u002Fgithub.com\u002Flazyprogrammer\u002Fmachine_learning_examples\u002Fissues\u002F55",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},26051,"运行代码时出现 'ModuleNotFoundError: No module named xxx_class' 错误怎么办？","这是因为没有下载完整的项目文件夹。例如，'rnn_class' 是 'machine_learning_examples' 文件夹内的一个子目录。你需要从 GitHub 下载整个 'machine_learning_examples' 仓库，而不仅仅是单个文件，以确保相对导入路径正确，从而找到相关的模块文件夹。","https:\u002F\u002Fgithub.com\u002Flazyprogrammer\u002Fmachine_learning_examples\u002Fissues\u002F28",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},26052,"运行代码时出现 'SyntaxError: invalid syntax' 且指向 f-string (f'...') 怎么办？","这是 Python 版本过低导致的。f-string 语法需要 Python 3.6 或更高版本才支持。请将你的 Python 环境升级到 3.6 及以上版本（推荐与作者一致的版本），然后重新运行代码即可解决。","https:\u002F\u002Fgithub.com\u002Flazyprogrammer\u002Fmachine_learning_examples\u002Fissues\u002F63",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},26053,"如何评估课程中的模型（例如 CNN）效果？","具体的评估方法通常包含在课程的讲座内容中。代码示例主要用于演示实现过程，关于如何划分测试集、计算准确率或损失函数等评估指标的详细步骤，请参考对应章节的视频教程或课程 FAQ 部分。","https:\u002F\u002Fgithub.com\u002Flazyprogrammer\u002Fmachine_learning_examples\u002Fissues\u002F31",{"id":132,"question_zh":133,"answer_zh":134,"source_url":115},26054,"为什么代码在 TensorFlow 2 环境下无法运行？","部分课程代码是基于 TensorFlow 1 编写的，两者之间存在不兼容性。在运行代码前，请先阅读代码头部注释或课程说明以确认所需的 TensorFlow 版本。如果必须使用 TF2，可能需要手动修改代码以适配新 API，但建议优先按照课程要求配置对应的 TF1 环境以避免兼容性问题。",[]]