[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-logancyang--my-cs-degree":3,"tool-logancyang--my-cs-degree":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",151314,2,"2026-04-11T23:32:58",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":78,"owner_email":79,"owner_twitter":73,"owner_website":80,"owner_url":81,"languages":82,"stars":83,"forks":84,"last_commit_at":85,"license":82,"difficulty_score":86,"env_os":87,"env_gpu":87,"env_ram":87,"env_deps":88,"category_tags":100,"github_topics":102,"view_count":32,"oss_zip_url":82,"oss_zip_packed_at":82,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":113},6733,"logancyang\u002Fmy-cs-degree","my-cs-degree","A CS degree with a focus on full-stack ML engineering, 2020","my-cs-degree 是一份专为全栈机器学习工程师打造的自学课程大纲，由一位拥有物理学背景的开发者精心设计，旨在弥补非计算机科班出身者在长期职业发展中的知识短板。它并非传统的软件工具，而是一套结构化的学习路径，系统整合了全球优质的免费教育资源。\n\n该方案主要解决了自学者在面对海量技术资源时容易迷失方向、知识体系碎片化的问题。它将学习内容清晰划分为“通识课程”与“项目实战”两类：前者帮助学习者建立从计算机架构、网络、操作系统到系统设计的有序知识索引；后者则强调“在做中学”，通过实际项目深化对深度学习、自然语言处理及 MLOps 的理解。\n\nmy-cs-degree 特别适合希望转型或进阶的软件开发人员、数据科学家以及具备一定基础但渴望构建完整工程能力的机器学习从业者。其独特亮点在于不仅涵盖了经典的计算机科学基础（如从 NAND 门到四格棋的底层原理），还紧跟前沿，纳入了 Yann LeCun 主讲的 PyTorch 深度学习课程及生产级 ML 系统设计指南，实现了理论深度与工程落地的完美平衡。如果你渴望像科班毕业生一样拥有扎实的技术根基，同时掌握全栈开发能力，这份大纲将是极佳的引路伙","my-cs-degree 是一份专为全栈机器学习工程师打造的自学课程大纲，由一位拥有物理学背景的开发者精心设计，旨在弥补非计算机科班出身者在长期职业发展中的知识短板。它并非传统的软件工具，而是一套结构化的学习路径，系统整合了全球优质的免费教育资源。\n\n该方案主要解决了自学者在面对海量技术资源时容易迷失方向、知识体系碎片化的问题。它将学习内容清晰划分为“通识课程”与“项目实战”两类：前者帮助学习者建立从计算机架构、网络、操作系统到系统设计的有序知识索引；后者则强调“在做中学”，通过实际项目深化对深度学习、自然语言处理及 MLOps 的理解。\n\nmy-cs-degree 特别适合希望转型或进阶的软件开发人员、数据科学家以及具备一定基础但渴望构建完整工程能力的机器学习从业者。其独特亮点在于不仅涵盖了经典的计算机科学基础（如从 NAND 门到四格棋的底层原理），还紧跟前沿，纳入了 Yann LeCun 主讲的 PyTorch 深度学习课程及生产级 ML 系统设计指南，实现了理论深度与工程落地的完美平衡。如果你渴望像科班毕业生一样拥有扎实的技术根基，同时掌握全栈开发能力，这份大纲将是极佳的引路伙伴。","# My CS Degree - Full-Stack ML Engineering (2020)\n\nBeing a machine learning software engineer with a background in Physics, I felt the lack of a CS degree had been a limiting factor in my long-term growth. To tackle it head-on, I designed this curriculum for myself with the best resources I found online, focusing on CS basics as well as full-stack development, deep learning and natural language processing.\n\nThere are general knowledge courses and project courses.\n\n**General knowledge courses** are for indexing knowledge in the brain into an organized system. When facing a new problem, at least you know what relevant info to look for.\n\n**Project courses** are the real learning process. Learning by doing is the only way to learn.\n\nIf you are interested in the philosophy of the creation of this curriculum, I wrote an article about it:\n\n[How I Designed My Own Full-Stack ML Engineering Degree](https:\u002F\u002Ftowardsdatascience.com\u002Fhow-i-designed-my-own-full-stack-ml-engineering-degree-297a31e3a3b2?sk=fe0ac0cc081b3e4734734a0e4f85f637)\n\n\n## General knowledge courses\n\n#### CS101. Computer architectures: general intro\n- Coursera: [From NAND to Tetris part I](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fbuild-a-computer\u002Fhome\u002Fwelcome)\n\n#### CS102. Networking: general intro\n- Coursera [computer networking](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fcomputer-networking\u002Fhome\u002Fwelcome)\n- Stanford course [youtube playlist](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLvFG2xYBrYAQCyz4Wx3NPoYJOFjvU7g2Z)\n- parrt cs601 [Sockets](https:\u002F\u002Fgithub.com\u002Fparrt\u002Fcs601\u002Fblob\u002Fmaster\u002Flectures\u002Fsockets.md)\n- parrt cs601 [Network programming](https:\u002F\u002Fgithub.com\u002Fparrt\u002Fcs601)\n- [Socket programming in Python, 5 videos](https:\u002F\u002Fpythonprogramming.net\u002Fsockets-tutorial-python-3\u002F)\n\n#### CS103. Operating systems: general intro\n- **[Udacity course](https:\u002F\u002Fclassroom.udacity.com\u002Fcourses\u002Fud923)**\n- Coursera: [From NAND to Tetris part II](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fnand2tetris2)\n\n#### CS201. Database: general intro\n- Architecture of a Database System [Paper](https:\u002F\u002Fdsf.berkeley.edu\u002Fpapers\u002Ffntdb07-architecture.pdf)\n- Berkeley [Course Playlist](https:\u002F\u002Fwww.youtube.com\u002Fuser\u002FCS186Berkeley\u002Fplaylists)\n\n#### CS401. System Design\n- **Book: Designing Data Intensive Applications**\n- **[Course: MIT course playlist](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLrw6a1wE39_tb2fErI4-WkMbsvGQk9_UB)**\n- Grokking the System Design Interview\n- [Gaurav Sen Playlist](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLMCXHnjXnTnvo6alSjVkgxV-VH6EPyvoX)\n- [Uber engineering blog series](https:\u002F\u002Feng.uber.com\u002Ftech-stack-part-one-foundation\u002F)\n\n\n#### CS403. Design Patterns\n- Python Factory pattern and Message Queue\n- Book: Design Patterns by Gamma et al\n\n#### CS405. Software Engineering Fundamentals\n- **Course**: [Software Development Process](https:\u002F\u002Fclassroom.udacity.com\u002Fcourses\u002Fud805)\n- [Prof. Terence Parr, USF **CS601**](https:\u002F\u002Fgithub.com\u002Fparrt\u002Fcs601)\n- [Gaurav Sen](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLMCXHnjXnTntYbKsUs6Pj8_BO_8ou4y07)\n\n#### CS406 DevOps with Docker\n- [Udemy Docker course](https:\u002F\u002Fwww.udemy.com\u002Fcourse\u002Flearn-docker\u002F)\n- [Deploy ML\u002FDL using Docker](https:\u002F\u002Fyoutu.be\u002F0qG_0CPQhpg)\n\n#### **CS501 Deep Learning with PyTorch by Yann LeCun & Alfredo Canziani: knowledge**\n- **Highly recommended deep learning course!!**\n- [Course site](https:\u002F\u002Fatcold.github.io\u002Fpytorch-Deep-Learning\u002F)\n- [Youtube playlist](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLLHTzKZzVU9eaEyErdV26ikyolxOsz6mq)\n\n#### CS503 [fastai: Computation Linear Algebra by Rachel Thomas](https:\u002F\u002Fgithub.com\u002Ffastai\u002Fnumerical-linear-algebra\u002Fblob\u002Fmaster\u002FREADME.md)\n\n\n#### CS504. Overview of Production Machine Learning and MLOps\n- **Book: Building ML Powered Applications**\n- **Suggestion: take project course CS512 for hands-on practice after this course**\n- Other readings:\n  - [MLOps overview by Huyen Chip](https:\u002F\u002Fhuyenchip.com\u002F2020\u002F06\u002F22\u002Fmlops.html)\n  - [TDS Article: Big picture architecture of ML system](https:\u002F\u002Ftowardsdatascience.com\u002Farchitecting-a-machine-learning-pipeline-a847f094d1c7)\n  - [Challenges](https:\u002F\u002Feugeneyan.com\u002Fwriting\u002Fchallenges-after-deploying-machine-learning\u002F) and [practical guide to maintaining machine learning](https:\u002F\u002Feugeneyan.com\u002Fwriting\u002Fpractical-guide-to-maintaining-machine-learning\u002F) by Eugene Yan\n\n#### CS505 Natural Language Understanding Stanford\n- [Course page](https:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224u\u002F2019\u002Findex.html)\n- [Playlist](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rObpMCir6rNNUlFAn56Js20)\n\n\n#### CS506 [Natural Language Processing using Deep Learning CMU](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL8PYTP1V4I8CJ7nMxMC8aXv8WqKYwj-aJ)\n\n#### CS507 Full Stack Deep Learning (Updated 2021)\n- [Course page](https:\u002F\u002Ffullstackdeeplearning.com\u002F)\n- [Project template](https:\u002F\u002Fgithub.com\u002FDanielhCarranza\u002Fml-production-template)\n\n#### CS508 [Deep Learning for Computer Vision](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL5-TkQAfAZFbzxjBHtzdVCWE0Zbhomg7r)\n\n\n#### CS509 [Yannic Kilcher Youtube series](https:\u002F\u002Fwww.youtube.com\u002Fc\u002FYannicKilcher\u002Fplaylists)\n\n#### CS510 [Luigi SageMaker course](https:\u002F\u002Fmlinproduction.teachable.com\u002Fp\u002Fbuild-deploy-and-monitor-ml-models-with-amazon-sagemaker)\n- Great blog for prodML: [mlinproduction.com](http:\u002F\u002Fmlinproduction.com\u002F)\n\n#### CS511 MLOps with GitHub Action\n- [MLOps youtube playlist](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL7WG7YrwYcnDBDuCkFbcyjnZQrdskFsBz)\n- MLOps: Setup Github Actions CI\u002FCD for NLP project\n    - [Weights & Biases Youtube video with Hamel Husain](https:\u002F\u002Fyoutu.be\u002FS-kn4mmlxFU)\n    - [Blog post](https:\u002F\u002Fgithub.blog\u002F2020-06-17-using-github-actions-for-mlops-data-science\u002F)\n\n#### CS513 Machine Learning System Design\n- [CS329S by Chip Huyen @Stanford](https:\u002F\u002Fstanford-cs329s.github.io\u002Fsyllabus.html)\n\n#### CS514 Machine Learning Interview\n- [Machine Learning Interviews Book by Chip Huyen](https:\u002F\u002Fhuyenchip.com\u002Fml-interviews-book\u002F)\n- [Grokking the Machine Learning Interview](https:\u002F\u002Fwww.educative.io\u002Fcourses\u002Fgrokking-the-machine-learning-interview)\n\n## Project courses\n\n#### CS301. Coding Interview\n- EPI book\n\n#### CS302 Python 3\n- Basics: [Practical Python course](https:\u002F\u002Fdabeaz-course.github.io\u002Fpractical-python\u002FNotes\u002FContents)\n- [Eugene Yan's Python project setup](https:\u002F\u002Feugeneyan.com\u002Fwriting\u002Fsetting-up-python-project-for-automation-and-collaboration\u002F)\n- RestAPI with [FastAPI guide](https:\u002F\u002Ffastapi.tiangolo.com\u002Ftutorial\u002Ffirst-steps\u002F)\n    - FastAPI MadeWithML example\n- Project: DoverChat, poetry, Docker, deployed on Heroku and AWS EB\n\n#### CS303 Nature of Code youtube series\n\n- [JS Prototype](https:\u002F\u002Fyoutu.be\u002FhS_WqkyUah8)\n- [Topics of ES6-ES8, promise, async await (20 vids)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLRqwX-V7Uu6YgpA3Oht-7B4NBQwFVe3pr)\n- Nature of Code\n    - [Physics Engine, matter.js simulation project (10 vids)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLRqwX-V7Uu6akvoNKE4GAxf6ZeBYoJ4uh)\n    - [Autonomous Agents (10 vids)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLRqwX-V7Uu6YHt0dtyf4uiw8tKOxQLvlW)\n    - [Cellular Automata (4 vids)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLRqwX-V7Uu6YrWXvEQFOGbCt6cX83Xunm)\n    - [Fractals (10 vids)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLRqwX-V7Uu6bXUJvjnMWGU5SmjhI-OXef)\n        - Fractal trees, space colonization project\n\n\n#### CS304 Weather Comparison App\n- Build API using **FastAPI** to get daily and hourly weather for cities\n- Frontend based on **Streamlit**, a Python framework for building UI for prototype projects\n    - [Streamlit get started](https:\u002F\u002Fdocs.streamlit.io\u002Fen\u002Fstable\u002F)\n\n\n#### CS402 Full-Stack Web Development, ReactJS\n- **Udemy [the complete junior to senior web developer roadmap](https:\u002F\u002Fwww.udemy.com\u002Fcourse\u002Fthe-complete-junior-to-senior-web-developer-roadmap\u002F)**\n\n#### CS404 AWS Services\n- Book: **The Good Parts of AWS** by Daniel Vassallo\n\n#### CS407 iOS Development with Swift and SpriteKit\n- Optional course for mobile game development\n- youtube video: https:\u002F\u002Fyoutu.be\u002F467Doas5J6I\n- Project: A sound game for instruments\n\n#### CS500 Deep Learning with FastAI & Pytorch: projects\n- **Course v4: [https:\u002F\u002Fcourse.fast.ai\u002F](https:\u002F\u002Fcourse.fast.ai\u002F)**\n- **[fastbook](https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastbook)**\n  - **Document all answers to questionnaires**\n- [FastAI2 design paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2002.04688)\n- [Deep Tutorials for PyTorch](https:\u002F\u002Fgithub.com\u002Fsgrvinod\u002FDeep-Tutorials-for-PyTorch)\n- Official PyTorch book: Deep Learning with PyTorch\n\n#### CS502 NLP: projects\n- **[fastai NLP course](https:\u002F\u002Fwww.fast.ai\u002F2019\u002F07\u002F08\u002Ffastai-nlp\u002F)**\n- **[Awesome visual course](https:\u002F\u002Flena-voita.github.io\u002Fnlp_course.html#main_page_content)**\n- **Book: [Practical NLP](https:\u002F\u002Fgithub.com\u002Fpractical-nlp\u002Fpractical-nlp)**\n- Survey\n    - [Eugene Yan: NLP Survey](https:\u002F\u002Feugeneyan.com\u002Fwriting\u002Fnlp-supervised-learning-survey\u002F)\n    - [Pratik Bhavsar: Pytorch for NLP](https:\u002F\u002Fmedium.com\u002Fmodern-nlp\u002Fget-pro-in-pytorch-for-nlp-60352b51fa1e)\n- Other resources\n  - [Fast AI course v4 NLP lecture](https:\u002F\u002Fcourse.fast.ai\u002Fvideos\u002F?lesson=8)\n  - [@amitness: How to Learn Transformers](https:\u002F\u002Ftwitter.com\u002Famitness\u002Fstatus\u002F1297471740012982273)\n  - [Advanced course](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Flanguage-processing\u002Fhome\u002Fwelcome)\n  - [NLP Masterclass: Modeling Fallacies in NLP](https:\u002F\u002Fyoutu.be\u002Ff2m6Mon0VE8?t=316)\n  - [NLP Datasets](https:\u002F\u002Fdatasets.quantumstat.com)\n  - Book: NLP with Pytorch\n  - MadewithML and [dair.ai](http:\u002F\u002Fdair.ai) chatbot materials\n      - [Survey paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2004.03705)\n      - [MadeWithML topic curation](https:\u002F\u002Fmadewithml.com\u002Ftopics\u002Fconversational-ai\u002F)\n      - [Future of NLP](https:\u002F\u002Fyoutu.be\u002FG5lmya6eKtc)\n      - [Level 3 AI Conference 2020](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL75e0qA87dlGP51yZ0dyNup-vwu0Rlv86)\n  - Full stack ML prototype stack: FastAPI, Streamlit, Docker, Heroku\n      - [Project example 1: streamlit + fastapi](https:\u002F\u002Fgithub.com\u002Fdavidefiocco\u002Fstreamlit-fastapi-model-serving\u002F)\n      - [Project example 2](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Finsight)\n\n#### CS512 Applied ML in Production by MadeWithML\n- Quote the course description: \"This course isn't just about ML. In fact, it's mostly about clean software engineering! We'll cover important concepts like versioning, testing, logging, etc. that really makes this a production-grade product.\"\n- [course page](https:\u002F\u002Fmadewithml.com\u002Fcourses\u002Fapplied-ml-in-production\u002F)\n- [MadeWithML youtube channel](https:\u002F\u002Fwww.youtube.com\u002Fc\u002FMadeWithML\u002F)\n\n#### CS602 Open Source Contributions of Your Choosing\n","# 我的计算机科学学位——全栈机器学习工程（2020年）\n\n作为一名拥有物理学背景的机器学习软件工程师，我一直觉得缺乏计算机科学学位限制了我的长期发展。为了直面这一挑战，我根据网上找到的最佳资源为自己设计了这套课程体系，重点涵盖了计算机科学基础、全栈开发、深度学习和自然语言处理。\n\n课程分为通识类和项目类。\n\n**通识类课程**旨在将知识系统化地整理并存储在大脑中。这样，当遇到新问题时，至少你知道该去寻找哪些相关信息。\n\n**项目类课程**则是真正的学习过程。只有通过实践才能真正掌握技能。\n\n如果你对这套课程的设计理念感兴趣，我写了一篇文章详细阐述了它的创建过程：\n\n[我是如何设计自己的全栈机器学习工程学位的](https:\u002F\u002Ftowardsdatascience.com\u002Fhow-i-designed-my-own-full-stack-ml-engineering-degree-297a31e3a3b2?sk=fe0ac0cc081b3e4734734a0e4f85f637)\n\n\n## 通识类课程\n\n#### CS101. 计算机体系结构：概论\n- Coursera: [从NAND到Tetris第一部分](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fbuild-a-computer\u002Fhome\u002Fwelcome)\n\n#### CS102. 网络：概论\n- Coursera [计算机网络](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fcomputer-networking\u002Fhome\u002Fwelcome)\n- 斯坦福大学课程 [YouTube播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLvFG2xYBrYAQCyz4Wx3NPoYJOFjvU7g2Z)\n- parrt cs601 [套接字](https:\u002F\u002Fgithub.com\u002Fparrt\u002Fcs601\u002Fblob\u002Fmaster\u002Flectures\u002Fsockets.md)\n- parrt cs601 [网络编程](https:\u002F\u002Fgithub.com\u002Fparrt\u002Fcs601)\n- [Python中的套接字编程，共5集](https:\u002F\u002Fpythonprogramming.net\u002Fsockets-tutorial-python-3\u002F)\n\n#### CS103. 操作系统：概论\n- **[Udacity课程](https:\u002F\u002Fclassroom.udacity.com\u002Fcourses\u002Fud923)**\n- Coursera: [从NAND到Tetris第二部分](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fnand2tetris2)\n\n#### CS201. 数据库：概论\n- 数据库系统的架构 [论文](https:\u002F\u002Fdsf.berkeley.edu\u002Fpapers\u002Ffntdb07-architecture.pdf)\n- 伯克利大学 [课程播放列表](https:\u002F\u002Fwww.youtube.com\u002Fuser\u002FCS186Berkeley\u002Fplaylists)\n\n#### CS401. 系统设计\n- **书籍：设计数据密集型应用**\n- **[课程：MIT课程播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLrw6a1wE39_tb2fErI4-WkMbsvGQk9_UB)**\n- Grokking the System Design Interview\n- [Gaurav Sen播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLMCXHnjXnTntYbKsUs6Pj8_BO_8ou4y07)\n- [Uber工程博客系列](https:\u002F\u002Feng.uber.com\u002Ftech-stack-part-one-foundation\u002F)\n\n\n#### CS403. 设计模式\n- Python工厂模式与消息队列\n- 书籍：Gamma等人编写的《设计模式》\n\n#### CS405. 软件工程基础\n- **课程**：[软件开发流程](https:\u002F\u002Fclassroom.udacity.com\u002Fcourses\u002Fud805)\n- [美国圣弗朗西斯科大学Terence Parr教授的**CS601**](https:\u002F\u002Fgithub.com\u002Fparrt\u002Fcs601)\n- [Gaurav Sen](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLMCXHnjXnTntYbKsUs6Pj8_BO_8ou4y07)\n\n#### CS406 DevOps与Docker\n- [Udemy Docker课程](https:\u002F\u002Fwww.udemy.com\u002Fcourse\u002Flearn-docker\u002F)\n- [使用Docker部署ML\u002FDL](https:\u002F\u002Fyoutu.be\u002F0qG_0CPQhpg)\n\n#### **CS501 Yann LeCun & Alfredo Canziani主讲的PyTorch深度学习：知识**\n- **强烈推荐的深度学习课程！！**\n- [课程网站](https:\u002F\u002Fatcold.github.io\u002Fpytorch-Deep-Learning\u002F)\n- [YouTube播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLLHTzKZzVU9eaEyErdV26ikyolxOsz6mq)\n\n#### CS503 [fastai: Rachel Thomas讲解的计算线性代数](https:\u002F\u002Fgithub.com\u002Ffastai\u002Fnumerical-linear-algebra\u002Fblob\u002Fmaster\u002FREADME.md)\n\n\n#### CS504. 生产环境机器学习与MLOps概述\n- **书籍：构建ML驱动的应用程序**\n- **建议：学完本课程后参加项目课CS512进行实战练习**\n- 其他阅读材料：\n  - [Huyen Chip关于MLOps的概述](https:\u002F\u002Fhuyenchip.com\u002F2020\u002F06\u002F22\u002Fmlops.html)\n  - [TDS文章：ML系统的整体架构](https:\u002F\u002Ftowardsdatascience.com\u002Farchitecting-a-machine-learning-pipeline-a847f094d1c7)\n  - [挑战](https:\u002F\u002Feugeneyan.com\u002Fwriting\u002Fchallenges-after-deploying-machine-learning\u002F)以及[Eugene Yan提供的维护机器学习的实用指南](https:\u002F\u002Feugeneyan.com\u002Fwriting\u002Fpractical-guide-to-maintaining-machine-learning\u002F)\n\n#### CS505 斯坦福大学自然语言理解\n- [课程页面](https:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224u\u002F2019\u002Findex.html)\n- [播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rObpMCir6rNNUlFAn56Js20)\n\n\n#### CS506 [CMU利用深度学习进行自然语言处理](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL8PYTP1V4I8CJ7nMxMC8aXv8WqKYwj-aJ)\n\n#### CS507 全栈深度学习（2021年更新）\n- [课程页面](https:\u002F\u002Ffullstackdeeplearning.com\u002F)\n- [项目模板](https:\u002F\u002Fgithub.com\u002FDanielhCarranza\u002Fml-production-template)\n\n#### CS508 [计算机视觉中的深度学习](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL5-TkQAfAZFbzxjBHtzdVCWE0Zbhomg7r)\n\n\n#### CS509 [Yannic Kilcher的YouTube系列](https:\u002F\u002Fwww.youtube.com\u002Fc\u002FYannicKilcher\u002Fplaylists)\n\n#### CS510 [Luigi的SageMaker课程](https:\u002F\u002Fmlinproduction.teachable.com\u002Fp\u002Fbuild-deploy-and-monitor-ml-models-with-amazon-sagemaker)\n- 非常棒的prodML博客：[mlinproduction.com](http:\u002F\u002Fmlinproduction.com\u002F)\n\n#### CS511 MLOps与GitHub Action\n- [MLOps YouTube播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL7WG7YrwYcnDBDuCkFbcyjnZQrdskFsBz)\n- MLOps：为NLP项目设置GitHub Actions CI\u002FCD\n    - [Weights & Biases与Hamel Husain的YouTube视频](https:\u002F\u002Fyoutu.be\u002FS-kn4mmlxFU)\n    - [博客文章](https:\u002F\u002Fgithub.blog\u002F2020-06-17-using-github-actions-for-mlops-data-science\u002F)\n\n#### CS513 机器学习系统设计\n- [斯坦福大学Chip Huyen主讲的CS329S](https:\u002F\u002Fstanford-cs329s.github.io\u002Fsyllabus.html)\n\n#### CS514 机器学习面试\n- [Chip Huyen编写的《机器学习面试》一书](https:\u002F\u002Fhuyenchip.com\u002Fml-interviews-book\u002F)\n- [Grokking the Machine Learning Interview](https:\u002F\u002Fwww.educative.io\u002Fcourses\u002Fgrokking-the-machine-learning-interview)\n\n## 项目课程\n\n#### CS301. 编码面试\n- EPI 书籍\n\n#### CS302 Python 3\n- 基础：[实用 Python 课程](https:\u002F\u002Fdabeaz-course.github.io\u002Fpractical-python\u002FNotes\u002FContents)\n- [Eugene Yan 的 Python 项目搭建](https:\u002F\u002Feugeneyan.com\u002Fwriting\u002Fsetting-up-python-project-for-automation-and-collaboration\u002F)\n- 使用 [FastAPI 指南](https:\u002F\u002Ffastapi.tiangolo.com\u002Ftutorial\u002Ffirst-steps\u002F) 构建 REST API\n    - FastAPI MadeWithML 示例\n- 项目：DoverChat，使用 poetry 和 Docker，部署在 Heroku 和 AWS EB 上\n\n#### CS303 《代码的本性》YouTube 系列\n- [JS 原型](https:\u002F\u002Fyoutu.be\u002FhS_WqkyUah8)\n- [ES6-ES8 主题、Promise、async await（20 集）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLRqwX-V7Uu6akvoNKE4GAxf6ZeBYoJ4uh)\n- 《代码的本性》\n    - [物理引擎，matter.js 模拟项目（10 集）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLRqwX-V7Uu6YHt0dtyf4uiw8tKOxQLvlW)\n    - [自主智能体（10 集）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLRqwX-V7Uu6YrWXvEQFOGbCt6cX83Xunm)\n    - [细胞自动机（4 集）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLRqwX-V7Uu6YrWXvEQFOGbCt6cX83Xunm)\n    - [分形（10 集）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLRqwX-V7Uu6bXUJvjnMWGU5SmjhI-OXef)\n        - 分形树、空间自组织生长项目\n\n\n#### CS304 天气比较应用\n- 使用 **FastAPI** 构建 API，获取城市的每日和 hourly 天气数据\n- 前端基于 **Streamlit**，一个用于原型项目 UI 构建的 Python 框架\n    - [Streamlit 入门](https:\u002F\u002Fdocs.streamlit.io\u002Fen\u002Fstable\u002F)\n\n\n#### CS402 全栈 Web 开发，ReactJS\n- **Udemy [从初级到高级的完整 Web 开发路线图](https:\u002F\u002Fwww.udemy.com\u002Fcourse\u002Fthe-complete-junior-to-senior-web-developer-roadmap\u002F)**\n\n#### CS404 AWS 服务\n- 书籍：Daniel Vassallo 的 **《AWS 的精华》**\n\n#### CS407 iOS 开发，Swift 和 SpriteKit\n- 移动游戏开发选修课\n- YouTube 视频：https:\u002F\u002Fyoutu.be\u002F467Doas5J6I\n- 项目：一款乐器音效游戏\n\n#### CS500 使用 FastAI 和 Pytorch 进行深度学习：项目\n- **课程 v4：[https:\u002F\u002Fcourse.fast.ai\u002F](https:\u002F\u002Fcourse.fast.ai\u002F)**\n- **[fastbook](https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastbook)**\n  - **记录所有问卷答案**\n- [FastAI2 设计论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2002.04688)\n- [PyTorch 深度教程](https:\u002F\u002Fgithub.com\u002Fsgrvinod\u002FDeep-Tutorials-for-PyTorch)\n- 官方 PyTorch 书籍：用 PyTorch 进行深度学习\n\n#### CS502 NLP：项目\n- **[fastai NLP 课程](https:\u002F\u002Fwww.fast.ai\u002F2019\u002F07\u002F08\u002Ffastai-nlp\u002F)**\n- **[超棒的可视化课程](https:\u002F\u002Flena-voita.github.io\u002Fnlp_course.html#main_page_content)**\n- **书籍：[实用 NLP](https:\u002F\u002Fgithub.com\u002Fpractical-nlp\u002Fpractical-nlp)**\n- 调查\n    - [Eugene Yan：NLP 调查](https:\u002F\u002Feugeneyan.com\u002Fwriting\u002Fnlp-supervised-learning-survey\u002F)\n    - [Pratik Bhavsar：Pytorch 用于 NLP](https:\u002F\u002Fmedium.com\u002Fmodern-nlp\u002Fget-pro-in-pytorch-for-nlp-60352b51fa1e)\n- 其他资源\n  - [Fast AI 课程 v4 NLP 讲座](https:\u002F\u002Fcourse.fast.ai\u002Fvideos\u002F?lesson=8)\n  - [@amitness：如何学习 Transformer](https:\u002F\u002Ftwitter.com\u002Famitness\u002Fstatus\u002F1297471740012982273)\n  - [进阶课程](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Flanguage-processing\u002Fhome\u002Fwelcome)\n  - [NLP 大师班：NLP 中的建模谬误](https:\u002F\u002Fyoutu.be\u002Ff2m6Mon0VE8?t=316)\n  - [NLP 数据集](https:\u002F\u002Fdatasets.quantumstat.com)\n  - 书籍：用 Pytorch 进行 NLP\n  - MadewithML 和 [dair.ai](http:\u002F\u002Fdair.ai) 的聊天机器人资料\n      - [调查论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2004.03705)\n      - [MadeWithML 对话式 AI 主题整理](https:\u002F\u002Fmadewithml.com\u002Ftopics\u002Fconversational-ai\u002F)\n      - [NLP 的未来](https:\u002F\u002Fyoutu.be\u002FG5lmya6eKtc)\n      - [Level 3 AI Conference 2020](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL75e0qA87dlGP51yZ0dyNup-vwu0Rlv86)\n  - 全栈 ML 原型技术栈：FastAPI、Streamlit、Docker、Heroku\n      - [项目示例 1：streamlit + fastapi](https:\u002F\u002Fgithub.com\u002Fdavidefiocco\u002Fstreamlit-fastapi-model-serving\u002F)\n      - [项目示例 2](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Finsight)\n\n#### CS512 MadeWithML 的生产环境应用机器学习\n- 引用课程描述：“这门课程不仅仅是关于机器学习。事实上，它更多地关注干净的软件工程！我们将涵盖版本控制、测试、日志记录等重要概念，这些真正使产品达到生产级标准。”\n- [课程页面](https:\u002F\u002Fmadewithml.com\u002Fcourses\u002Fapplied-ml-in-production\u002F)\n- [MadeWithML YouTube 频道](https:\u002F\u002Fwww.youtube.com\u002Fc\u002FMadeWithML\u002F)\n\n#### CS602 自由选择的开源贡献","# my-cs-degree 快速上手指南\n\n`my-cs-degree` 并非一个需要安装的可执行软件包，而是一套由社区整理的**全栈机器学习工程师自学课程大纲**。它汇集了计算机科学基础、深度学习、自然语言处理（NLP）及 MLOps 等领域的顶级开源资源。\n\n本指南将帮助你快速搭建学习环境并启动第一个学习项目。\n\n## 环境准备\n\n由于该“工具”实质是课程索引，你需要准备的是运行课程代码和项目的开发环境。\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu 20.04+), macOS, 或 Windows (建议使用 WSL2)。\n- **硬件**: \n  - 基础课程：任意现代计算机即可。\n  - 深度学习\u002F大模型课程 (CS501, CS507 等)：建议配备 NVIDIA GPU (显存 8GB+)，或使用云端 GPU 实例。\n\n### 前置依赖\n请确保已安装以下核心工具：\n- **Python**: 3.8 或更高版本\n- **Git**: 用于克隆项目代码\n- **Docker**: 用于容器化部署 (CS406, CS507)\n- **Node.js**: 部分前端项目需要 (CS402)\n\n> **国内加速建议**：\n> - Python 包管理：配置 `pip` 使用清华源或阿里源。\n> - Git 克隆：若 GitHub 访问缓慢，可使用 Gitee 镜像或配置代理。\n> - 视频课程：大部分课程托管在 YouTube 或 Coursera，国内访问需自行解决网络问题，或部分课程在 Bilibili 有非官方搬运。\n\n## 安装步骤\n\n你不需要“安装”此仓库，只需将其克隆到本地作为学习索引，并按需配置 Python 环境。\n\n### 1. 克隆仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyour-target-repo\u002Fmy-cs-degree.git\ncd my-cs-degree\n```\n*(注：请将 URL 替换为实际的项目地址，此处以通用流程为例)*\n\n### 2. 配置基础 Python 环境\n推荐使用 `conda` 或 `venv` 隔离环境。以下以 `conda` 为例：\n\n```bash\n# 创建名为 cs-degree 的环境，指定 Python 3.9\nconda create -n cs-degree python=3.9 -y\n\n# 激活环境\nconda activate cs-degree\n\n# 安装深度学习基础依赖 (PyTorch 示例，推荐使用国内镜像源)\n# 访问 pytorch.org 获取适合你显卡的具体命令，以下为 CPU 版本示例\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu\n\n# 安装常用数据科学与 Web 框架\npip install pandas numpy scikit-learn fastapi streamlit jupyterlab\n```\n\n### 3. 配置 Docker (可选但推荐)\n针对涉及部署的课程 (如 CS406, CS512)，请确保 Docker 可用：\n\n```bash\n# 验证 Docker 安装\ndocker --version\n\n# 拉取基础镜像测试\ndocker run hello-world\n```\n\n## 基本使用\n\n开始学习的最佳方式是选择一个入门项目课程（Project Course）进行实践。以下以 **CS304 Weather Comparison App** 为例，演示如何开始第一个实战项目。\n\n### 1. 创建项目目录\n```bash\nmkdir weather-app\ncd weather-app\n```\n\n### 2. 初始化 FastAPI 后端\n创建一个名为 `main.py` 的文件，写入以下基础代码：\n\n```python\nfrom fastapi import FastAPI\nimport requests\n\napp = FastAPI()\n\n@app.get(\"\u002Fweather\u002F{city}\")\ndef get_weather(city: str):\n    # 模拟返回天气数据，实际项目中需调用真实 API\n    return {\"city\": city, \"temperature\": \"22°C\", \"condition\": \"Sunny\"}\n```\n\n### 3. 启动后端服务\n```bash\nuvicorn main:app --reload\n```\n访问 `http:\u002F\u002F127.0.0.1:8000\u002Fweather\u002FBeijing` 查看结果。\n\n### 4. 构建 Streamlit 前端\n创建 `app.py` 文件：\n\n```python\nimport streamlit as st\nimport requests\n\nst.title(\"Weather Comparison App\")\n\ncity = st.text_input(\"Enter city name:\", \"Shanghai\")\n\nif st.button(\"Get Weather\"):\n    response = requests.get(f\"http:\u002F\u002F127.0.0.1:8000\u002Fweather\u002F{city}\")\n    if response.status_code == 200:\n        data = response.json()\n        st.success(f\"Temperature in {data['city']}: {data['temperature']}\")\n    else:\n        st.error(\"Failed to fetch data\")\n```\n\n### 5. 运行前端界面\n```bash\nstreamlit run app.py\n```\n浏览器将自动打开界面，你已完成第一个全栈原型的学习实践。\n\n---\n**下一步建议**：\n参考仓库中的 `General knowledge courses` 补充理论基础（如 CS101 计算机架构），或深入 `CS500` 系列进行深度学习专项训练。","一位拥有物理学背景的算法工程师，在尝试将实验性模型转化为高可用生产系统时，因缺乏计算机科班基础而遭遇架构瓶颈。\n\n### 没有 my-cs-degree 时\n- **知识碎片化严重**：面对系统延迟或并发问题，不知道是该优化网络套接字（CS102）、调整操作系统调度（CS103），还是重构数据库索引（CS201），只能盲目搜索零散教程。\n- **架构设计凭直觉**：在设计大规模机器学习流水线时，缺乏《数据密集型应用系统设计》等理论支撑，导致系统耦合度高，难以扩展和维护。\n- **工程落地困难**：虽然精通 PyTorch 建模，但不懂 Docker 容器化部署（CS406）和设计模式（CS403），模型上线过程繁琐且容易出错。\n- **成长天花板明显**：遇到复杂工程问题时，因缺乏计算机科学体系化的“知识索引”，难以定位核心矛盾，长期停留在调参阶段。\n\n### 使用 my-cs-degree 后\n- **构建系统化认知**：通过 CS101 至 CS201 的基础课程，建立了从硬件架构到数据库原理的完整知识树，能迅速定位性能瓶颈所在的层级。\n- **掌握科学架构方法**：研读系统设计经典教材并配合 MIT 课程，能够设计出解耦、高可用的 ML 系统架构，从容应对数据倾斜和高并发场景。\n- **实现全栈工程闭环**：借助 DevOps 与设计模式课程，熟练运用 Docker 封装模型服务，利用工厂模式优化代码结构，显著提升交付效率。\n- **突破职业发展的局限**：通过“通识 + 项目”的双轨学习，不仅补齐了科班短板，更具备了从算法研究到生产落地的全栈视野。\n\nmy-cs-degree 帮助非科班开发者填补了理论与实践的鸿沟，将其从单一的模型训练者转型为具备系统思维的全栈机器学习工程师。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flogancyang_my-cs-degree_2a64f503.png","logancyang","Logan Yang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flogancyang_418d28dd.png","Software engineer, ML practitioner, ex-Uber","BreviLabs","Seattle","logancyang@gmail.com","https:\u002F\u002Floganyang.com","https:\u002F\u002Fgithub.com\u002Flogancyang",null,889,141,"2026-03-15T14:24:52",1,"未说明",{"notes":89,"python":90,"dependencies":91},"该项目并非单一软件工具，而是一套完整的计算机科学机器学习自学课程大纲。它由多个外部在线课程（Coursera, Udacity, YouTube）、书籍、论文和独立的项目模板链接组成。因此，具体的运行环境需求（如 GPU 型号、内存大小、具体库版本）取决于用户选择学习的特定课程或运行的具体项目示例（如 CS500 深度学习项目或 CS304 Weather App）。README 中提到了使用 Docker 进行部署，以及使用 Poetry 管理 Python 项目依赖，建议根据所选的具体子项目查阅其对应的官方文档以获取详细的环境配置要求。","3.x (提及 Python 3, FastAPI, PyTorch)",[92,93,94,95,96,97,98,99],"PyTorch","FastAPI","Streamlit","Docker","fastai","transformers (隐含于 NLP 课程)","Poetry","GitHub Actions",[35,14,101],"其他",[103,104,105,106,107,108,109],"resources","curated-list","computer-science","fullstack-deeplearning","natural-language-processing","deep-learning","awesome-list","2026-03-27T02:49:30.150509","2026-04-12T07:53:22.372460",[],[]]