awesome-ai-ml-dl
awesome-ai-ml-dl 是一个全面且精心策划的人工智能、机器学习与深度学习资源知识库。它不仅仅是一份简单的链接列表，更是一套结构化的学习指南，涵盖了从数学基础、核心算法到前沿应用（如大语言模型、生成式 AI、智能体及自然语言处理）的全方位内容。
面对 AI 领域技术迭代快、资料分散且质量参差不齐的痛点，awesome-ai-ml-dl 通过系统化的分类整理，帮助用户高效定位高质量的学习笔记、实战代码示例（Notebooks）、开发工具链以及云基础设施方案。它将零散的知识串联成清晰的学习路径，让用户无需在海量信息中盲目摸索。
这份资源非常适合希望系统入门的初学者、需要快速查阅特定领域资料的研究人员，以及寻求最佳实践与部署方案的开发者。无论是想夯实 Python 与数据科学基础，还是探索 MLOps 自动化部署，都能在此找到指引。
其独特亮点在于“学以致用”的编排理念：不仅提供理论参考，还包含大量可运行的代码笔记本和跨语言（Python、Java 等）实现案例。同时，项目持续更新，紧跟 AI Agents 和生成式模型等最新趋势，是伴随你从入门到精通的可靠伴侣。
使用场景
某初创公司的算法工程师小李正负责搭建一个全新的情感分析系统，需要在短时间内掌握从数据预处理到模型部署的全链路技术栈。
没有 awesome-ai-ml-dl 时
- 资源检索低效：在 GitHub、知乎、Medium 和各类博客间反复切换搜索，花费数天筛选过时的教程或质量参差不齐的代码库。
- 技术选型迷茫：面对层出不穷的 NLP 框架和 MLOps 工具，缺乏权威的对比指南，难以判断哪些库适合当前项目规模。
- 知识体系碎片化：学习路径断断续续，数学基础、核心算法与工程实践之间缺乏系统性串联，导致模型调优时束手无策。
- 重复造轮子：因找不到高质量的开源 Notebook 示例，不得不从零编写数据清洗和可视化脚本，严重拖慢开发进度。
使用 awesome-ai-ml-dl 后
- 一站式资源获取：直接通过“自然语言处理”和“工具”分类索引，快速获取经过社区验证的最新框架、数据集和最佳实践文档。
- 清晰的技术路线图：利用"Start here"和"Explore by domain"导航，迅速锁定适合初创团队的轻量级 LLM 方案及部署工具。
- 系统化学习闭环：参考“数学基础”到"MLOps 部署”的结构化目录，将理论知识与工程落地无缝衔接，快速构建完整认知体系。
- 高效代码复用：直接调用 curated list 中的高质量 Notebook 示例，基于现成的数据分析和模型训练模板进行二次开发，将原型开发时间缩短 60%。
awesome-ai-ml-dl 将原本分散杂乱的 AI 学习资源整合为结构化的知识地图，让开发者从“寻找工具”转变为“专注创造”。
运行环境要求
未说明
未说明
快速开始
令人惊叹的 AI-ML-DL 
导航：首页 · 🗂️ 参考 · ☁️ 基础设施 · 📓 笔记本 · 🧰 工具 · 📊 数据 · 🤖 智能体 · 🧠 自然语言处理
通过精选指南、领域、工具和示例，学习、构建并探索 AI/ML/DL。
目录
最新动态
- 资产：将横幅尺寸调整为 1200x280 并重新生成 (
42671a1) - 设计：对横幅进行美学改造（渐变、各领域配色方案、排版）(
195327d) - 资产：将横幅高度缩减至 1200x360，并重新生成图像 (
84d9cc8) - 资产：生成占位符横幅 PNG 文件，并添加生成脚本 (
903435c) - 文档：在所有领域落地页中添加横幅引用 (
4eeb19b) - 文档：在根目录、参考、基础设施和领域索引中添加横幅引用 (
6cda8e5) - 杂务：搭建 assets/banners/ 目录结构，并添加 README 和 .gitkeep 文件 (
1968100) - 模板：在 domains/time-series/README.md 中添加章节标题、导航和徽章 (
081ee5e) - 优化：在 Data、Tools 和 Notebooks 的 README 中添加 Shields.io 徽章 (
c223509) - 优化：在 Reference、Infrastructure、Domains 索引以及各领域落地页中添加 Shields.io 徽章 (
d5208e9)
从这里开始
按领域探索
更好的 NLP：
NLP Java：
| NLP Clojure：
| NLP Kotlin：
| NLP Scala：
|
使用 DL4J（CUDA）的 NLP：
Tribuo：
| DeepNetts：
| Dataiku DSS：
| Grakn：
| Jupyter-Java：
|
使用 DL4J 的 MLPMNist：
| Zeppelin：
我们所学习的人工智能、机器学习和深度学习的精彩内容。包含学习笔记以及这些主题的精选资源列表。
本仓库专为工程师、开发者、数据科学家及其他对 AI、ML、DL 和相关科学感兴趣的从业者而设。旨在让学习变得有趣，并打造一个方便查找所需资料的平台。欢迎各位贡献代码、关注、点赞、fork 仓库，并与社区中的其他人分享！
关注本仓库可及时获取所有提交到仓库的更新信息。
同时，请您赞助我们，了解如何操作！
旧版内容（完整索引） - 点击展开
旧版内容（完整索引）
Python
- 用于 AI/ML/DL 的 Python - 针对 AI/ML/DL 的全面 Python 指南
- Python 编程 - 重定向至新的 Python 指南
- Python 性能 - 重定向至性能部分
Java 和 JVM
- Java
- 业务 / 通用 / 半技术性
- 分类器 / 决策树
- 相关交叉出现
- 遗传算法
- Java项目 / 相关技术
- 自然语言处理 (NLP)
- 神经网络
- 卷积神经网络 (CNN)
- 长短期记忆网络 (LSTM)
- 循环神经网络 (RNN)
- 推荐系统 / 协同过滤 (CF)
- 数据科学
- 机器学习
- 工具与库、资源
- 操作指南 / 部署 / DevOps / 无服务器
- 杂项
- Clojure
- Scala
其他语言
人工智能与机器学习
核心主题
专业领域
伦理与治理
数据与分析
数据科学
可视化
学习资源
课程与竞赛
指南与教程
参考资料
工具与基础设施
开发工具
云与DevOps
框架与库
测试与质量
参考资料
数学基础
自动化与MLOps
杂项
- 杂项
- #contributing
- #sponsoring
贡献
我们非常欢迎贡献，请将您的成果分享给更广泛的社区（并获得相应的署名）！
请查看 CONTRIBUTING 指南，并阅读我们的 许可 政策。
赞助
借助 GitHub 的新项目赞助计划，您现在可以赞助类似这样的项目，了解具体操作。
免责声明
重要提示：
内容准确性： 本仓库中提供的信息、资源和链接均来自多方整理，可能会随时更新或变更。尽管我们努力确保内容的准确性和时效性，但我们无法保证所有信息在任何时候都完全正确、最新或完整。
第三方内容： 本仓库包含指向第三方创建的外部来源、文章、工具、库及资源的引用、链接和参考文献。这些外部内容并不归我们所有，所有功劳均归属于原作者和创作者。
无担保： 内容按“原样”提供，不提供任何形式的明示或暗示担保。我们不对所提供任何信息的准确性、可靠性或完整性作出任何声明或保证。
建议验证： 强烈建议用户在使用任何资源之前，务必核实信息、测试工具和代码，并查阅官方文档，尤其是在生产环境或关键应用中使用时。
领域快速发展： 人工智能、机器学习和深度学习等领域发展迅速。此处提及的工具、最佳实践和技术可能会很快过时。请务必从官方渠道获取最新版本和更新信息。
非专业建议： 本仓库中的任何内容均不构成专业、法律或技术建议。用户应就其具体应用场景咨询相关领域的专业人士以获得指导。
社区贡献： 本项目由社区驱动，内容可能由不同人士贡献。如果您发现错误、过时的信息，或有任何改进建议，请参阅我们的 贡献指南。
自担风险： 使用本仓库即表示您已知悉并接受上述免责声明，并同意自行决定如何使用其中的信息和资源，同时承担相应风险。
版本历史
mnist-dataset-v0.12019/08/19v0.12019/04/29相似工具推荐
openclaw
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。 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。 OpenClaw 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
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。
markitdown
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。 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。 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
LLMs-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。 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。 LLMs-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