[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-lukaemon--Coursera-ML-AndrewNg":3,"tool-lukaemon--Coursera-ML-AndrewNg":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"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":81,"owner_email":80,"owner_twitter":76,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":23,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":108,"github_topics":80,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":117},2006,"lukaemon\u002FCoursera-ML-AndrewNg","Coursera-ML-AndrewNg","use numpy, scipy, and tensorflow to implement these basic ML model and learning algorithm","Coursera-ML-AndrewNg 是一个基于 Andrew Ng 机器学习课程的开源实践项目，用 Python 的 NumPy、SciPy 和 TensorFlow 从零实现所有课程中的经典算法，如线性回归、逻辑回归和神经网络。它不依赖现成的库（如 scikit-learn），而是亲手编写每一步计算，帮助学习者真正理解机器学习背后的数学原理与实现逻辑，而非仅会调用 API。  \n\n这个项目解决了许多初学者“会用工具，却不懂原理”的问题，尤其适合希望夯实理论基础、深入理解算法细节的开发者和自学者。对于正在学习机器学习入门课程、想通过动手加深理解的人，它提供了清晰的代码结构和注释，配合 Jupyter Notebook 可逐步验证每一步推导。  \n\n项目亮点在于完全脱离 MATLAB 原始框架，独立使用 Python 生态完成数据加载、向量化运算、优化求解和可视化，迫使学习者深入掌握 NumPy 的数组操作和 SciPy 的优化器使用，从而真正内化“梯度下降”“反向传播”等核心概念。配合《Learning from Data》等理论书籍，能形成“动手+理论”的闭环学习体验，是通往真","Coursera-ML-AndrewNg 是一个基于 Andrew Ng 机器学习课程的开源实践项目，用 Python 的 NumPy、SciPy 和 TensorFlow 从零实现所有课程中的经典算法，如线性回归、逻辑回归和神经网络。它不依赖现成的库（如 scikit-learn），而是亲手编写每一步计算，帮助学习者真正理解机器学习背后的数学原理与实现逻辑，而非仅会调用 API。  \n\n这个项目解决了许多初学者“会用工具，却不懂原理”的问题，尤其适合希望夯实理论基础、深入理解算法细节的开发者和自学者。对于正在学习机器学习入门课程、想通过动手加深理解的人，它提供了清晰的代码结构和注释，配合 Jupyter Notebook 可逐步验证每一步推导。  \n\n项目亮点在于完全脱离 MATLAB 原始框架，独立使用 Python 生态完成数据加载、向量化运算、优化求解和可视化，迫使学习者深入掌握 NumPy 的数组操作和 SciPy 的优化器使用，从而真正内化“梯度下降”“反向传播”等核心概念。配合《Learning from Data》等理论书籍，能形成“动手+理论”的闭环学习体验，是通往真实机器学习能力的扎实一步。","# Coursera ML MOOC\nAndrew's class may be the common sense among ML practitioners.  \n\nI don't want to fool myself.  \nEven I have read some api doc of [sklearn](http:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fclasses.html) and know how to call them, I don't know the soul of machine learning. I have to get the basics right. So I implement every exercise of the [Coursera ML class](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning\u002Fhome\u002Fwelcome) using numpy, scipy and tensorflow.  \n\nThe reason I choose python over matlab is purely practical concern. This cs224d [Intro to TensorFlow](http:\u002F\u002Fcs224d.stanford.edu\u002Flectures\u002FCS224d-Lecture7.pdf) ([video](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=L8Y2_Cq2X5s&index=7&list=PLmImxx8Char9Ig0ZHSyTqGsdhb9weEGam)) presents very good explanation of why python may be the right choice to do ML.  \n\nAll these learning about theories and coding are preparation of real world application. Although the learning itself is it's own reward, I also want to create useful application that solves real world problems and create values to the community. This project is the very tiny step toward the goal. I learned so much.  \n\nThe more I learn, the more I respect all those great scientific adventures before me that paves the way I have right now. Andrew's class is very good overview of general ML. It's hands on approach  encourages new people like me keep moving, even some details are purposefully ignored. On the other hand, I found it very useful to pick up theories while doing these exercises. This book [Learning from Data](http:\u002F\u002Famlbook.com\u002F) gives me so many aha moment about learning theories. This is my feeble foundation of ML theories.\n\nGenerally, Andrew's class shows me mostly **what** to do, and **how** to do it. The book shows me **why**. Theory and practice goes hand in hand. I couldn't express how happy I am when I read something in the book and suddenly understand the reason about what I was coding last night. Eureka!\n\n## Project structure\n* Each exercise has it's own folder. In each folder you will find:\n  1. pdf that guide you through the project\n  2. a series of Jupyter notebook\n  3. data\n* each notebook basically follows the logic flow of project pdf. I didn't present all codes in notebook because I personally think it's very messy. So you will only see visualization, project logic flows, simple experiments, equations and results in notebooks.\n* In [helper](https:\u002F\u002Fgithub.com\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fhelper) folder, it has modules of different topics. This is where you can find details of model implementation, learning algorithm, and supporting functions.\n\n## Go solo with python or go with built-in Matlab project?\nThe Matlab project is guiding students to finish the overall project goal, be it implementing logistic regression, or backprop NN. It includes many supporting function to help you do `visualization`,  `gradient checking`, and so on.  \nThe way I do it is to focus on pdf that tells you what is this project about, then figure out how to achieve those objectives using `Scipy` stack. Most of time I don't even bother looking into original `.m` files. Just need their data.\n\nWithout those supports, I have to do:\n\n1. **visualization** : `seaborn`, `matplotlib` are very handy  \n2. **vetorized implementation** of ML model and gradient function use `numpy`'s power to manipulate `ndarray`  \n3. **optimization** : figure out how to use `scipy` optimizer to fit you parameters  \n4. **support functions** : nobody is loading, parsing, normalize data for you now, DIY  \n\nBy doing those, I learn more, which is even better.\n\n## Supporting materials\nI am learning by doing, not tools hoarding. Here is the list that helps me along the way.  \n* Intuitions of Linear Algebra, [Essence of linear algebra](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab), this is the best source to my knowledge, for intuition.\n* [Python, numpy tutorial](http:\u002F\u002Fcs231n.github.io\u002Fpython-numpy-tutorial\u002F)\n* More math behind the scene. [CS 229 Machine Learning Course Materials](http:\u002F\u002Fcs229.stanford.edu\u002Fmaterials.html), basically Coursera ML is water down version of this cs229. The link has very good linear algebra review ,and probability theroy review.\n* [Quoc Le’s Lectures on Deep Learning](http:\u002F\u002Fwww.trivedigaurav.com\u002Fblog\u002Fquoc-les-lectures-on-deep-learning\u002F): 4k videos with perfect lecture notes.\n* [Learning from Data](http:\u002F\u002Famlbook.com\u002F): learning theory in less than 200 pages, God.\n\n## Run locally\n**If you find bugs, false logic, just anything that could be better, please do me a favor by creating issues. I would love to see constructively negative feedbacks**  \n\n* acknowledgement: Thank you [John Wittenauer](https:\u002F\u002Fgithub.com\u002Fjdwittenauer?tab=overview&from=2016-08-01&to=2016-08-31&utf8=%E2%9C%93)! I shamelessly steal lots of your code and idea. [here](https:\u002F\u002Fgithub.com\u002Fjdwittenauer\u002Fipython-notebooks)    \n* if you want to run notebooks locally, you could refer to requirement.txt for libraries I've been using.  \n* I'm using `python 3.5.2` for those notebooks. You will need it because I use `@` operator for matrix multiplication extensively.  \n\n\u003Cblockquote class=\"twitter-tweet\" data-lang=\"en\">\u003Cp lang=\"en\" dir=\"ltr\">tensorflow (64-bit linux only) is now available on \u003Ca href=\"https:\u002F\u002Ft.co\u002F292ZKEfpjQ\">https:\u002F\u002Ft.co\u002F292ZKEfpjQ\u003C\u002Fa> Use conda install tensorflow to get it!\u003C\u002Fp>— Continuum Analytics (@ContinuumIO) \u003Ca href=\"https:\u002F\u002Ftwitter.com\u002FContinuumIO\u002Fstatus\u002F777882145675096068\">September 19, 2016\u003C\u002Fa>\u003C\u002Fblockquote>\n\u003Cscript async src=\"\u002F\u002Fplatform.twitter.com\u002Fwidgets.js\" charset=\"utf-8\">\u003C\u002Fscript>  \n\n## Read notebook with nbviewer, and references for each exercise\n### [ex1-linear regression](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex1-linear%20regression\u002F)\n* Special thing I did in this project is I implement the linear regression model in [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F). This is my first tf experience. Looking forward to learn more when I move into Deep Learning. code: [linear_regression.py](https:\u002F\u002Fgithub.com\u002Ficrtiou\u002Fcoursera-ML\u002Fblob\u002Fmaster\u002Fhelper\u002Flinear_regression.py)\n\n### [ex2-logistic regression](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex2-logistic%20regression\u002F)\n### [ex3-neural network](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex3-neural%20network\u002F)\n### [ex4-NN back propagation](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex4-NN%20back%20propagation\u002F)\n### [ex5-bias vs variance](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex5-bias%20vs%20variance\u002F)  \n* [Deep Learning](http:\u002F\u002Fwww.deeplearningbook.org\u002F) ch5.4 has decent treatment of bias vs variance  \n\n### [ex6-SVM](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex6-SVM\u002F)\n### [ex7-kmeans and PCA](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex7-kmeans%20and%20PCA\u002F)\n* [The Elements of\nStatistical Learning](http:\u002F\u002Fstatweb.stanford.edu\u002F~tibs\u002FElemStatLearn\u002F) pg.64 has very good explanation about **singular value decomposition**, which is used to find principle components in our PCA. The book is free to download.  \n* [The Deep Learning (ch2.7, 2.8)](http:\u002F\u002Fwww.deeplearningbook.org\u002F) has briefly talked about `eigendecomposition` and `SVD`\n* [The Deep Learning (ch5.8.1)](http:\u002F\u002Fwww.deeplearningbook.org\u002F) describes clearly the relationship between `PCA` and `SVD`\n\n### [ex8-anomaly detection and recommendation](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex8-anomaly%20detection%20and%20recommendation\u002F)\n","# Coursera 机器学习慕课\n安德鲁的课程可能是机器学习从业者中的常识。\n\n我不想自欺欺人。  \n即使我读过一些[sklearn](http:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fclasses.html)的API文档，也知道如何调用它们，但我并不了解机器学习的本质。我必须把基础打扎实。因此，我用numpy、scipy和tensorflow实现了Coursera机器学习课程[https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning\u002Fhome\u002Fwelcome]中的每一个练习。\n\n我选择Python而不是MATLAB纯粹出于实际考虑。这门cs224d课程[TensorFlow入门](http:\u002F\u002Fcs224d.stanford.edu\u002Flectures\u002FCS224d-Lecture7.pdf)（[视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=L8Y2_Cq2X5s&index=7&list=PLmImxx8Char9Ig0ZHSyTqGsdhb9weEGam))很好地解释了为什么Python可能是做机器学习的正确选择。\n\n所有这些理论学习和编码实践都是为现实世界的应用做准备。尽管学习本身已是一种收获，我也希望能做出真正解决现实问题、为社区创造价值的实用应用。这个项目正是迈向目标的微小一步。我学到了太多。\n\n我学得越多，就越敬重那些在我之前开创伟大科学事业的人们，他们为我铺就了今天的道路。安德鲁的课程很好地概述了通用机器学习，它的动手实践方式激励像我这样的新手不断前进，甚至有些细节是特意忽略的。另一方面，我发现边做这些练习边学习理论非常有用。这本书[从数据中学习](http:\u002F\u002Famlbook.com\u002F)让我对学习理论有了许多豁然开朗的瞬间。这是我薄弱的机器学习理论基础。\n\n总的来说，安德鲁的课程主要告诉我“做什么”和“怎么做”，而这本书则告诉我“为什么”。理论与实践相辅相成。当我读到书里的某个内容，突然明白昨晚写代码的原因时，那种喜悦难以言表！啊哈！\n\n## 项目结构\n* 每个练习都有自己的文件夹。在每个文件夹里，你会找到：\n  1. 引导你完成项目的PDF\n  2. 一系列Jupyter notebook\n  3. 数据\n* 每个notebook基本上遵循项目PDF的逻辑流程。我没有在notebook里展示所有代码，因为我觉得这样会很乱。所以你只会看到可视化、项目逻辑流程、简单实验、公式和结果。\n* 在[helper](https:\u002F\u002Fgithub.com\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fhelper)文件夹里，有不同主题的模块。这里你可以找到模型实现、学习算法和支持函数的详细信息。\n\n## 独自用Python还是用MATLAB自带的项目？\nMATLAB项目引导学生完成整个项目目标，无论是实现逻辑回归，还是反向传播神经网络。它包含很多支持函数，帮助你进行“可视化”、“梯度检查”等等。  \n我的做法是专注于PDF，了解这个项目到底是什么，然后想办法用Scipy栈来实现这些目标。大多数时候，我甚至懒得去看原始的.m文件，只需要它们的数据。\n\n没有这些支持，我不得不：\n\n1. **可视化**：`seaborn`、`matplotlib`非常方便\n2. **向量化实现**的机器学习模型和梯度函数，利用numpy的强大功能操作`ndarray`\n3. **优化**：弄清楚如何用scipy优化器来拟合参数\n4. **支持函数**：现在没人帮你加载、解析、归一化数据了，全靠你自己\n\n通过这样做，我学到了更多，这反而更好。\n\n## 支持材料\n我是边做边学，而不是囤积工具。以下是我一路走来的清单。  \n* 线性代数直觉，[线性代数精髓](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab)，据我所知这是最好的直觉来源。\n* [Python、numpy教程](http:\u002F\u002Fcs231n.github.io\u002Fpython-numpy-tutorial\u002F)\n* 更多幕后数学知识。[CS 229机器学习课程资料](http:\u002F\u002Fcs229.stanford.edu\u002Fmaterials.html)，基本上Coursera机器学习是这个cs229的简化版。链接里有非常好的线性代数复习和概率论复习。\n* [Quoc Le深度学习讲座](http:\u002F\u002Fwww.trivedigaurav.com\u002Fblog\u002Fquoc-les-lectures-on-deep-learning\u002F)：4k视频搭配完美的讲义。\n* [从数据中学习](http:\u002F\u002Famlbook.com\u002F)：不到200页的学习理论，太棒了！\n\n## 本地运行\n**如果你发现bug、逻辑错误，或者任何可以改进的地方，请帮我提issue。我很乐意看到建设性的负面反馈。**\n\n* 致谢：感谢[John Wittenauer](https:\u002F\u002Fgithub.com\u002Fjdwittenauer?tab=overview&from=2016-08-01&to=2016-08-31&utf8=%E2%9C%93)！我毫不掩饰地偷用了你的很多代码和想法。[这里](https:\u002F\u002Fgithub.com\u002Fjdwittenauer\u002Fipython-notebooks)\n* 如果你想本地运行notebook，可以参考requirement.txt查看我用过的库。\n* 我用的是`python 3.5.2`来运行这些notebook。你需要它，因为我大量使用了`@`运算符来进行矩阵乘法。\n\n\u003Cblockquote class=\"twitter-tweet\" data-lang=\"en\">\u003Cp lang=\"en\" dir=\"ltr\">tensorflow（仅限64位Linux）现已在\u003Ca href=\"https:\u002F\u002Ft.co\u002F292ZKEfpjQ\">https:\u002F\u002Ft.co\u002F292ZKEfpjQ\u003C\u002Fa>上可用。用conda install tensorflow获取吧！\u003C\u002Fp>— Continuum Analytics (@ContinuumIO) \u003Ca href=\"https:\u002F\u002Ftwitter.com\u002FContinuumIO\u002Fstatus\u002F777882145675096068\">2016年9月19日\u003C\u002Fa>\u003C\u002Fblockquote>\n\u003Cscript async src=\"\u002F\u002Fplatform.twitter.com\u002Fwidgets.js\" charset=\"utf-8\">\u003C\u002Fscript>  \n\n## 用nbviewer阅读notebook，以及每个练习的参考资料\n### [ex1-线性回归](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex1-linear%20regression\u002F)\n* 我在这个项目里特别做的一点是，我在[TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F)中实现了线性回归模型。这是我第一次接触tf。期待以后深入学习深度学习时能了解更多。代码：[linear_regression.py](https:\u002F\u002Fgithub.com\u002Ficrtiou\u002Fcoursera-ML\u002Fblob\u002Fmaster\u002Fhelper\u002Flinear_regression.py)\n\n### [ex2-逻辑回归](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex2-logistic%20regression\u002F)\n### [ex3-神经网络](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex3-neural%20network\u002F)\n### [ex4-NN反向传播](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex4-NN%20back%20propagation\u002F)\n### [ex5-偏差与方差](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex5-bias%20vs%20variance\u002F)  \n* [深度学习](http:\u002F\u002Fwww.deeplearningbook.org\u002F)第5.4章对偏差与方差有不错的讲解\n\n### [ex6-SVM](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex6-SVM\u002F)\n\n### [ex7-K-means与PCA](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex7-kmeans%20and%20PCA\u002F)\n* 《统计学习的要素》（The Elements of Statistical Learning）第64页对**奇异值分解**有非常详尽的解释，该方法用于我们在PCA中寻找主成分。本书可免费下载。  \n* 《深度学习》（ch2.7、2.8）简要介绍了`特征分解`和`奇异值分解`。  \n* 《深度学习》（ch5.8.1）清晰地阐述了`PCA`与`奇异值分解`之间的关系。\n\n### [ex8-异常检测与推荐](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Ficrtiou\u002Fcoursera-ML\u002Ftree\u002Fmaster\u002Fex8-anomaly%20detection%20and%20recommendation\u002F)","# Coursera-ML-AndrewNg 快速上手指南\n\n## 环境准备\n\n- **系统要求**：Linux \u002F macOS \u002F Windows（推荐 Linux）\n- **Python 版本**：`python 3.5.2`（必须，因使用 `@` 矩阵乘法运算符）\n- **前置依赖**：\n  - `numpy`\n  - `scipy`\n  - `matplotlib`\n  - `seaborn`\n  - `tensorflow`（64位系统）\n  - `jupyter`\n\n> 推荐使用 **Anaconda** 或 **Miniconda** 管理环境，国内用户可使用清华源加速安装。\n\n## 安装步骤\n\n1. 克隆项目：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ficrtiou\u002Fcoursera-ML.git\ncd coursera-ML\n```\n\n2. 创建并激活虚拟环境（推荐）：\n\n```bash\nconda create -n coursera-ml python=3.5.2\nconda activate coursera-ml\n```\n\n3. 安装依赖（使用清华镜像加速）：\n\n```bash\npip install --upgrade pip -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install numpy scipy matplotlib seaborn jupyter -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install tensorflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> 若使用 Conda，也可直接运行：  \n> `conda install tensorflow numpy scipy matplotlib seaborn jupyter -c conda-forge`\n\n## 基本使用\n\n1. 启动 Jupyter Notebook：\n\n```bash\njupyter notebook\n```\n\n2. 在浏览器中打开 `ex1-linear regression\u002F` 文件夹，选择任意 `.ipynb` 文件（如 `ex1.ipynb`）运行。\n\n3. 最简单示例：线性回归（ex1）\n\n- 打开 `ex1-linear regression\u002Fex1.ipynb`\n- 依次运行所有 Cell\n- 观察数据可视化、梯度下降过程及最终拟合结果\n- 模型实现见 `helper\u002Flinear_regression.py`\n\n> 每个练习（ex1~ex8）均独立，可逐个学习。所有代码基于 NumPy\u002FSciPy\u002FTensorFlow 手动实现，无 MATLAB 依赖，适合深入理解算法原理。","一位刚入职的初级数据科学家，正在为公司构建一个客户流失预测模型，但缺乏对机器学习底层算法的深入理解，只能依赖sklearn的现成接口，模型效果不稳定，调参全靠试错。\n\n### 没有 Coursera-ML-AndrewNg 时\n- 不清楚逻辑回归的损失函数如何推导，调参时无法判断是特征问题还是优化方向错误。\n- 使用sklearn的`LogisticRegression`时，对梯度下降的实现机制一无所知，遇到收敛失败完全无从下手。\n- 数据预处理和标准化全靠复制粘贴代码，不知道为什么必须归一化，导致模型在新数据上表现骤降。\n- 无法手动实现正则化项，只能依赖默认参数，模型过拟合严重却不知如何诊断。\n- 遇到异常预测结果时，只能求助同事，无法独立分析是代码实现问题还是数据分布偏差。\n\n### 使用 Coursera-ML-AndrewNg 后\n- 亲手用numpy实现逻辑回归的代价函数与梯度计算，能清晰判断模型是否在正确优化，调参有了理论依据。\n- 通过手动编写梯度检查代码，发现之前数据预处理中遗漏了特征缩放，立即修正后模型AUC提升12%。\n- 理解了L1\u002FL2正则化的数学意义，主动在模型中加入L2惩罚项，成功缓解了过拟合，验证集准确率稳定提升。\n- 能独立完成从数据加载、归一化、训练到可视化损失曲线的全流程，不再依赖他人提供的“黑箱”脚本。\n- 当模型预测异常时，能快速定位是特征权重异常还是优化器步长过大，问题解决时间从数天缩短至几小时。\n\n通过亲手复现课程中的每一个算法，这位工程师从“调参工人”蜕变为能独立设计、诊断和优化模型的真正机器学习实践者。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flukaemon_Coursera-ML-AndrewNg_f09c956a.png","lukaemon","lucas","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flukaemon_88c464aa.jpg","farming",null,"Seattle","https:\u002F\u002Flucasshen.org\u002F","https:\u002F\u002Fgithub.com\u002Flukaemon",[85,89],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",99.4,{"name":90,"color":91,"percentage":92},"Python","#3572A5",0.6,924,357,"2026-03-11T00:05:53","MIT","Linux, macOS, Windows","未说明",{"notes":100,"python":101,"dependencies":102},"建议使用 Python 3.5.2 环境，因项目大量使用 @ 运算符进行矩阵乘法；推荐使用 conda 安装 TensorFlow；所有练习依赖 Jupyter Notebook 和提供的数据文件，无需 GPU 即可运行，但 TensorFlow 实现部分在 GPU 上运行更快；项目未提供依赖版本号，需根据 2016 年左右的环境兼容性自行适配。","3.5.2",[103,104,105,106,107],"numpy","scipy","tensorflow","matplotlib","seaborn",[13,54],"2026-03-27T02:49:30.150509","2026-04-06T05:37:26.249583",[112],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},9075,"使用在线 MATLAB 提交作业时出现 'parts' 需要导航或机器人工具箱的错误，如何解决？","该错误是因为 submit() 函数依赖于 MATLAB 的专业工具箱（如 Navigation Toolbox），而在线版 MATLAB 不包含这些工具箱。解决方案是：下载并使用本地安装的 MATLAB（如学生版），或从课程资源中下载 submit.m 和 submitWithConfiguration.m 文件，并替换掉在线版中不兼容的版本。确保文件来自课程官方 GitHub 仓库（如 https:\u002F\u002Fgithub.com\u002Flukaemon\u002FCoursera-ML-AndrewNg），并运行 submit() 前确认所有依赖文件已正确放置在当前目录。","https:\u002F\u002Fgithub.com\u002Flukaemon\u002FCoursera-ML-AndrewNg\u002Fissues\u002F2",[]]