[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-llSourcell--Learn_Machine_Learning_in_3_Months":3,"tool-llSourcell--Learn_Machine_Learning_in_3_Months":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。",75895,"2026-04-18T23:09:57",[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":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":80,"stars":83,"forks":84,"last_commit_at":85,"license":80,"difficulty_score":29,"env_os":86,"env_gpu":87,"env_ram":87,"env_deps":88,"category_tags":92,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":93,"updated_at":94,"faqs":95,"releases":111},9439,"llSourcell\u002FLearn_Machine_Learning_in_3_Months","Learn_Machine_Learning_in_3_Months","This is the code for \"Learn Machine Learning in 3 Months\" by Siraj Raval on Youtube ","Learn_Machine_Learning_in_3_Months 是由知名技术博主 Siraj Raval 推出的一套系统化机器学习自学指南，旨在帮助初学者在三个月内从零构建起完整的知识体系。针对许多新手面对海量学习资源感到迷茫、缺乏清晰路径的痛点，它将复杂的学习过程拆解为三个阶段的周计划：第一个月夯实线性代数、微积分、概率论与算法等数学基础；第二个月聚焦 Python 数据科学编程、TensorFlow 入门及经典机器学习实战；第三个月则深入深度学习领域，结合 Fast.ai 课程与项目复现进行强化训练。\n\n这套方案特别适合希望转行进入人工智能领域的开发者、计算机专业学生以及具备一定逻辑基础的科技爱好者。其独特亮点在于不仅提供了严谨的学术资源（如麻省理工学院公开课），还巧妙融合了 YouTube 视频教程与 GitHub 实战代码，实现了理论与工程实践的无缝衔接。通过跟随这份精心策划的课程表，用户可以避免盲目搜索资源的低效，按部就班地掌握从基础数学推导到构建深度神经网络的核心技能，最终具备独立开展机器学习项目的能力。","# Learn_Machine_Learning_in_3_Months\n\nThis is the Curriculum for \"Learn Machine Learning in 3 Months\" [this](https:\u002F\u002Fyoutu.be\u002FCr6VqTRO1v0) video by Siraj Raval on Youtube \n\n# Month 1\n\n## Week 1 Linear Algebra\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=kjBOesZCoqc&index=1&list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab\nhttps:\u002F\u002Focw.mit.edu\u002Fcourses\u002Fmathematics\u002F18-06-linear-algebra-spring-2010\u002F\n## Week 2 Calculus\nhttps:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr\n## Week 3 Probability\nhttps:\u002F\u002Fwww.edx.org\u002Fcourse\u002Fintroduction-probability-science-mitx-6-041x-2\n## Week 4 Algorithms\nhttps:\u002F\u002Fwww.edx.org\u002Fcourse\u002Falgorithm-design-analysis-pennx-sd3x\n\n# Month 2\n\n## Week 1 \n#### Learn python for data science\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=T5pRlIbr6gg&list=PL2-dafEMk2A6QKz1mrk1uIGfHkC1zZ6UU\n#### Math of Intelligence\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=xRJCOz3AfYY&list=PL2-dafEMk2A7mu0bSksCGMJEmeddU_H4D\n#### Intro to Tensorflow\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=2FmcHiLCwTU&list=PL2-dafEMk2A7EEME489DsI468AB0wQsMV\n\n## Week 2 \nIntro to ML (Udacity)\nhttps:\u002F\u002Feu.udacity.com\u002Fcourse\u002Fintro-to-machine-learning--ud120\n\n## Week 3-4\nML Project Ideas\nhttps:\u002F\u002Fgithub.com\u002FNirantK\u002Fawesome-project-ideas\n\n# Month 3 (Deep Learning)\n\n## Week 1 \nIntro to Deep Learning\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=vOppzHpvTiQ&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3\n\n## Week 2 \nDeep Learning by Fast.AI\nhttp:\u002F\u002Fcourse.fast.ai\u002F\n\n## Week 3-4 \nRe-implement DL projects from my github\nhttps:\u002F\u002Fgithub.com\u002FllSourcell?tab=repositories\n\n---\n\n*Additional Resources:*   \n- People in ML to [follow on Twitter](https:\u002F\u002Fwww.quora.com\u002FWho-should-I-follow-on-Twitter-to-get-useful-and-reliable-machine-learning-information \"Quora.com\")\n- Join the [\"Wizards\" Slack channel](http:\u002F\u002Fwizards.herokuapp.com\u002F \"Herokuapp.com\")\n","# 在3个月内学会机器学习\n\n这是Siraj Raval在YouTube上发布的视频《在3个月内学会机器学习》[此链接](https:\u002F\u002Fyoutu.be\u002FCr6VqTRO1v0)中的课程大纲。\n\n# 第1个月\n\n## 第1周 线性代数\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=kjBOesZCoqc&index=1&list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab\nhttps:\u002F\u002Focw.mit.edu\u002Fcourses\u002Fmathematics\u002F18-06-linear-algebra-spring-2010\u002F\n## 第2周 微积分\nhttps:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr\n## 第3周 概率论\nhttps:\u002F\u002Fwww.edx.org\u002Fcourse\u002Fintroduction-probability-science-mitx-6-041x-2\n## 第4周 算法\nhttps:\u002F\u002Fwww.edx.org\u002Fcourse\u002Falgorithm-design-analysis-pennx-sd3x\n\n# 第2个月\n\n## 第1周 \n#### 学习用于数据科学的Python\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=T5pRlIbr6gg&list=PL2-dafEMk2A6QKz1mrk1uIGfHkC1zZ6UU\n#### 智能数学\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=xRJCOz3AfYY&list=PL2-dafEMk2A7mu0bSksCGMJEmeddU_H4D\n#### TensorFlow入门\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=2FmcHiLCwTU&list=PL2-dafEMk2A7EEME489DsI468AB0wQsMV\n\n## 第2周 \n机器学习导论（Udacity）\nhttps:\u002F\u002Feu.udacity.com\u002Fcourse\u002Fintro-to-machine-learning--ud120\n\n## 第3–4周\n机器学习项目创意\nhttps:\u002F\u002Fgithub.com\u002FNirantK\u002Fawesome-project-ideas\n\n# 第3个月（深度学习）\n\n## 第1周 \n深度学习导论\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=vOppzHpvTiQ&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3\n\n## 第2周 \nFast.AI的深度学习课程\nhttp:\u002F\u002Fcourse.fast.ai\u002F\n\n## 第3–4周 \n重新实现我GitHub上的深度学习项目\nhttps:\u002F\u002Fgithub.com\u002FllSourcell?tab=repositories\n\n---\n\n*附加资源：*   \n- 机器学习领域的值得关注人士 [在Twitter上关注](https:\u002F\u002Fwww.quora.com\u002FWho-should-I-follow-on-Twitter-to-get-useful-and-reliable-machine-learning-information \"Quora.com\")\n- 加入“Wizards”Slack频道 [点击此处](http:\u002F\u002Fwizards.herokuapp.com\u002F \"Herokuapp.com\")","# Learn_Machine_Learning_in_3_Months 快速上手指南\n\n本指南基于 Siraj Raval 的\"3 个月机器学习”课程体系整理，旨在帮助开发者系统化地掌握从数学基础到深度学习的全栈技能。本项目本身是一个**学习路线图（Curriculum）**，而非单一的可安装软件包，因此“安装”主要指配置学习所需的开发环境与工具链。\n\n## 环境准备\n\n在开始之前，请确保你的系统满足以下要求，并准备好必要的学习工具。\n\n### 系统要求\n- **操作系统**：Windows 10\u002F11, macOS, 或 Linux (推荐 Ubuntu 20.04+)\n- **硬件建议**：\n  - 内存：8GB 以上（推荐 16GB）\n  - 显卡：若需运行深度学习部分（第 3 个月），建议配备 NVIDIA GPU (支持 CUDA)\n- **浏览器**：Chrome 或 Firefox（用于观看视频教程和访问在线课程）\n\n### 前置依赖与工具\n你需要安装以下核心工具来配合课程中的代码实践：\n1. **Python**: 版本 3.8 或更高。\n2. **Git**: 用于克隆项目代码库。\n3. **代码编辑器**: 推荐 VS Code 或 PyCharm。\n4. **Jupyter Notebook**: 用于数据科学实验和数学推导验证。\n\n> **国内加速建议**：\n> - 视频资源：原链接多为 YouTube，国内用户建议使用 Bilibili 搜索对应标题（如\"3Blue1Brown 线性代数”、“吴恩达 机器学习”等）获取中文字幕版或镜像资源。\n> - 包管理：配置 pip 使用清华源或阿里源以加速 Python 库下载。\n\n## 安装步骤\n\n由于这是一个学习计划，我们需要搭建一个通用的数据科学与机器学习开发环境。请依次执行以下命令。\n\n### 1. 安装 Python 环境\n推荐使用 `conda` (Miniconda) 管理环境，它能更好地处理科学计算依赖。\n\n```bash\n# 下载并安装 Miniconda (Linux\u002FMac 示例，Windows 请下载 exe 安装)\nwget https:\u002F\u002Frepo.anaconda.com\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh\nbash Miniconda3-latest-Linux-x86_64.sh\n\n# 创建专用的学习环境\nconda create -n ml_3months python=3.9 -y\nconda activate ml_3months\n```\n\n### 2. 配置国内镜像源 (加速下载)\n```bash\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\npip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 安装核心数据科学库\n根据课程前两个月的需求，安装基础库：\n\n```bash\npip install numpy pandas matplotlib scikit-learn jupyter notebook\n```\n\n### 4. 安装深度学习框架 (第 3 个月用)\n根据你的硬件情况选择安装 TensorFlow 或 PyTorch (Fast.ai 基于 PyTorch)。\n\n**方案 A: 安装 TensorFlow (GPU 版)**\n```bash\npip install tensorflow\n```\n\n**方案 B: 安装 PyTorch (推荐用于 Fast.ai 课程)**\n*请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 获取最新命令，以下为通用 CPU\u002FGPU 示例：*\n```bash\npip install torch torchvision torchaudio\npip install fastai\n```\n\n### 5. 获取课程项目代码\n克隆课程中提到的项目灵感库和作者的重现项目库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FNirantK\u002Fawesome-project-ideas.git\ngit clone https:\u002F\u002Fgithub.com\u002FllSourcell\u002FMachine_Learning_Recipes.git\n# 注：llSourcell 的具体仓库名可能随时间变化，请在其 GitHub 主页查找对应月份的项目\n```\n\n## 基本使用\n\n本“工具”的使用方式是按照月度计划执行学习任务并进行代码实践。以下是启动第一个学习周期的示例。\n\n### 第一步：启动交互式学习环境\n进入项目目录并启动 Jupyter Notebook，用于验证第一周的线性代数概念或编写 Python 代码。\n\n```bash\ncd awesome-project-ideas\njupyter notebook\n```\n\n### 第二步：执行基础验证代码\n在新建的 Notebook 单元格中，运行以下代码验证环境是否就绪，并尝试一个简单的机器学习模型（对应第 2 个月内容）：\n\n```python\nimport numpy as np\nfrom sklearn.datasets import load_iris\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import accuracy_score\n\n# 1. 加载数据\ndata = load_iris()\nX, y = data.data, data.target\n\n# 2. 划分训练集和测试集\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\n# 3. 训练模型 (对应 Intro to ML)\nmodel = LogisticRegression(max_iter=200)\nmodel.fit(X_train, y_train)\n\n# 4. 评估\npredictions = model.predict(X_test)\nprint(f\"Accuracy: {accuracy_score(y_test, predictions):.2f}\")\n```\n\n### 第三步：跟进学习进度\n- **第 1 个月**：观看链接中的数学视频，在 Notebook 中使用 `numpy` 手动实现矩阵运算、导数计算和概率分布。\n- **第 2 个月**：使用 `scikit-learn` 复现 Udacity 课程中的算法，并从 `awesome-project-ideas` 中挑选一个项目进行实战。\n- **第 3 个月**：使用 `fastai` 或 `tensorflow` 复现 GitHub 上的深度学习项目，尝试图像识别或自然语言处理任务。\n\n> **提示**：课程核心在于“看视频理解原理” + “写代码复现结果”。请务必动手敲代码，而不仅仅是观看视频。","刚转行数据科学的产品经理李明，希望在三个月内系统掌握机器学习核心技能以主导公司的智能推荐项目。\n\n### 没有 Learn_Machine_Learning_in_3_Months 时\n- **学习路径混乱**：面对海量的数学公式和算法教程，不知从何入手，常在线性代数与微积分之间反复横跳，浪费大量时间筛选资源。\n- **理论与实践脱节**：花费数周啃完理论书籍，却不知如何用 Python 或 TensorFlow 将公式转化为代码，导致“眼高手低”。\n- **项目落地困难**：缺乏具体的实战指引，不知道有哪些适合新手的项目创意，难以构建能写进简历的作品集。\n- **社区孤立无援**：独自摸索遇到瓶颈时，找不到靠谱的同行交流渠道或行业大牛指引，容易因挫败感而放弃。\n\n### 使用 Learn_Machine_Learning_in_3_Months 后\n- **路线清晰高效**：严格遵循 Siraj Raval 规划的三月课表，按周攻克线性代数、概率论等基础，不再为“学什么”而焦虑。\n- **代码即时验证**：第二个月直接结合 Python 数据科学与 TensorFlow 教程，边学数学边写代码，迅速实现从公式到模型的闭环。\n- **实战目标明确**：依据提供的 GitHub 项目灵感库和重实现任务，在第三个月顺利完成深度学习项目，产出可展示的实际成果。\n- **融入专业圈子**：通过推荐的 Twitter 专家列表和\"Wizards\"Slack 频道，快速接入行业网络，获得及时的技术反馈与支持。\n\nLearn_Machine_Learning_in_3_Months 将原本碎片化、高门槛的学习过程重构为一条结构清晰、理论与实战并重的快速成长通道。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FllSourcell_Learn_Machine_Learning_in_3_Months_fdbe3938.png","llSourcell","Siraj Raval","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FllSourcell_e6efb465.jpg","Senior AI\u002FML Engineer | Specializing in production-ready, trustworthy AI systems (GenAI, RAG, CV, MLOps).",null,"www.youtube.com\u002Fc\u002Fsirajraval","https:\u002F\u002Fgithub.com\u002FllSourcell",7631,2328,"2026-04-16T08:08:30","","未说明",{"notes":89,"python":90,"dependencies":91},"该项目是一个为期三个月的机器学习学习大纲（课程表），主要包含视频教程、在线课程和外部项目链接，而非一个可直接运行的软件工具。因此，README 中未提供具体的操作系统、硬件配置或依赖库版本要求。用户需根据大纲中提到的具体技术栈（如 TensorFlow、Fast.AI 等）自行配置相应的运行环境。","未说明（课程包含 Python 学习内容，但未指定版本）",[],[18],"2026-03-27T02:49:30.150509","2026-04-19T09:14:22.158748",[96,101,106],{"id":97,"question_zh":98,"answer_zh":99,"source_url":100},42350,"MIT OCW 课程视频在 YouTube 上无法观看怎么办？","该问题已解决。之前部分国家出现的视频封锁情况现已修复，所有视频已恢复在 YouTube 上的正常播放，无需寻找替代方案。","https:\u002F\u002Fgithub.com\u002FllSourcell\u002FLearn_Machine_Learning_in_3_Months\u002Fissues\u002F13",{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},42351,"是否需要在每周内读完或看完列出的所有资源？","不建议强行在三个月内完成所有内容。虽然理想情况下可能三个月 finish，但为了真正吸收知识，建议预留 3 到 6 个月的时间。匆忙完成可能导致倦怠（burnout），学习新技术需要时间思考。","https:\u002F\u002Fgithub.com\u002FllSourcell\u002FLearn_Machine_Learning_in_3_Months\u002Fissues\u002F25",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},42352,"机器学习数学基础的学习顺序应该是怎样的？线性代数应该在微积分之前吗？","是的，线性代数应该在微积分之前学习。正如 Gilbert Strang 在“微积分大图景”讲座中提到的，线性代数是学习微积分的必要前置知识。推荐顺序：1. 线性代数 -> 2. 微积分（微分与积分）-> 3. 多变量微积分 -> 4. 概率论 -> 5. 算法。","https:\u002F\u002Fgithub.com\u002FllSourcell\u002FLearn_Machine_Learning_in_3_Months\u002Fissues\u002F9",[]]