[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-olcf--cuda-training-series":3,"tool-olcf--cuda-training-series":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。",85092,2,"2026-04-10T11:13:16",[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。",75585,"2026-04-14T22:04:17",[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":72,"owner_location":72,"owner_email":80,"owner_twitter":72,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":72,"difficulty_score":46,"env_os":79,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":99,"github_topics":72,"view_count":10,"oss_zip_url":72,"oss_zip_packed_at":72,"status":100,"created_at":101,"updated_at":102,"faqs":103,"releases":104},7590,"olcf\u002Fcuda-training-series","cuda-training-series","Training materials associated with NVIDIA's CUDA Training Series (www.olcf.ornl.gov\u002Fcuda-training-series\u002F)","cuda-training-series 是一套由美国能源部下属的橡树岭国家实验室（ORNL）和国家能源研究科学计算中心（NERSC）联合推出的 CUDA 编程学习资源。它主要面向希望掌握 GPU 加速计算技术的开发者与科研人员，旨在解决高性能计算领域中 CUDA 编程入门难、系统性强的高质量教材稀缺等痛点。\n\n这套资源并非传统的软件库或运行框架，而是一个结构完整的培训课程合集，涵盖了从基础概念到高级优化技巧的全方位内容。通过配套的幻灯片讲义与官方讲座录像，学习者可以循序渐进地理解并行计算架构、内存管理策略以及内核优化方法。其独特亮点在于内容直接源自顶级超算中心的实战培训经验，不仅理论扎实，更紧密结合了大规模科学计算的实际应用场景，确保了知识的权威性与实用性。\n\n无论是刚接触 GPU 编程的初学者，还是希望深化性能调优技能的专业工程师，都能从中获益。对于从事人工智能模型训练、科学模拟或数据分析的研究人员而言，cuda-training-series 提供了一条通往高效能计算的可靠路径，帮助用户充分利用 NVIDIA GPU 硬件潜力，提升代码执行效率。","# CUDA Training Resource\nThe materials in this repository accompany the CUDA Training Series presented at ORNL and NERSC.\n\nYou can find the slides and presentation recordings at https:\u002F\u002Fwww.olcf.ornl.gov\u002Fcuda-training-series\u002F\n",null,"# CUDA Training Series 快速上手指南\n\n`cuda-training-series` 是橡树岭国家实验室（ORNL）和国家能源研究科学计算中心（NERSC）联合推出的 CUDA 培训系列配套资源库。本指南将帮助你快速获取相关学习资料。\n\n## 环境准备\n\n本项目主要为文档、幻灯片和代码示例集合，无复杂的运行时依赖，但建议具备以下基础环境以便运行示例代码：\n\n*   **操作系统**：Linux (推荐 Ubuntu\u002FCentOS) 或 macOS\n*   **硬件要求**：支持 CUDA 的 NVIDIA GPU（若需运行示例代码）\n*   **前置依赖**：\n    *   NVIDIA CUDA Toolkit (版本需与你的 GPU 驱动匹配)\n    *   Git (用于克隆仓库)\n    *   C\u002FC++ 编译器 (如 `gcc`, `g++` 或 `nvcc`)\n\n> **提示**：国内开发者可使用清华大学或中科大镜像源加速 `git` 操作及后续可能的包管理工具安装。\n\n## 安装步骤\n\n该资源库无需编译安装，直接克隆即可使用。\n\n1.  **克隆仓库**\n    使用以下命令将资源下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Folcf\u002Fcuda-training-series.git\n    ```\n    *若网络受限，可尝试使用国内镜像加速（如有同步源）或通过代理访问。*\n\n2.  **进入目录**\n    ```bash\n    cd cuda-training-series\n    ```\n\n3.  **验证内容**\n    查看目录结构，确认包含 `slides`（幻灯片）、`codes`（代码示例）等文件夹：\n    ```bash\n    ls -l\n    ```\n\n## 基本使用\n\n本项目的核心内容是配合在线视频课程的学习材料。\n\n### 1. 获取完整课程资料\n访问官方课程主页获取幻灯片 PDF 和讲座录像：\nhttps:\u002F\u002Fwww.olcf.ornl.gov\u002Fcuda-training-series\u002F\n\n### 2. 运行代码示例\n进入具体的代码示例目录（以基础向量加法为例，具体路径视仓库更新而定）：\n\n```bash\ncd codes\u002F01-vector-add\n```\n\n使用 `nvcc` 编译示例代码：\n```bash\nnvcc -o vector_add vector_add.cu\n```\n\n运行生成的可执行文件：\n```bash\n.\u002Fvector_add\n```\n\n如果输出显示计算结果正确且无错误信息，即表示环境配置成功，可以开始跟随教程深入学习 CUDA 编程。","某高校超算中心的研究团队正致力于将传统气象模拟代码迁移至 GPU 平台，以加速大规模气候预测模型的运算效率。\n\n### 没有 cuda-training-series 时\n- 团队成员对 CUDA 内存模型理解碎片化，频繁出现因全局内存访问未合并导致的性能瓶颈，调试耗时极长。\n- 缺乏系统性的优化策略指导，开发者只能依靠零散的博客文章试错，难以掌握多流并发与异步拷贝等高级技巧。\n- 新人入职培训周期漫长，由于缺少权威的实战幻灯片和配套录屏，资深工程师需反复进行重复性基础讲解。\n- 面对复杂的核函数启动配置，团队往往凭经验盲目调整块大小，导致显卡利用率长期低于 40%。\n\n### 使用 cuda-training-series 后\n- 借助 ORNL 和 NERSC 提供的系统化教材，团队快速掌握了内存合并访问原则，将核心计算模块的带宽利用率提升了 3 倍。\n- 通过系列课程中关于并发执行的专业演示，开发人员成功引入多流技术，实现了数据传输与计算的有效重叠。\n- 新成员直接利用仓库中的幻灯片和官方演讲录像自学，将上手时间从两周缩短至三天，释放了资深人力。\n- 依据教程中的性能分析案例，团队科学地确定了最佳网格与块配置，使整体集群的 GPU 平均占用率稳定在 85% 以上。\n\ncuda-training-series 通过提供权威且结构化的学习路径，将团队从低效的盲目试错中解放出来，显著加速了高性能计算应用的落地进程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Folcf_cuda-training-series_318f2675.png","olcf","Oak Ridge Leadership Computing Facility","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Folcf_abf4e52b.png","","help@olcf.ornl.gov","http:\u002F\u002Fwww.olcf.ornl.gov","https:\u002F\u002Fgithub.com\u002Folcf",[84,88],{"name":85,"color":86,"percentage":87},"Cuda","#3A4E3A",99.1,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.9,965,352,"2026-04-14T15:44:08","未说明",{"notes":97,"python":95,"dependencies":98},"该仓库主要包含 ORNL 和 NERSC 举办的 CUDA 培训系列的配套材料（幻灯片和录像链接），README 中未提供具体的代码运行环境、依赖库或硬件需求。用户需访问提供的官网链接获取详细培训内容。",[],[18],"ready_partial","2026-03-27T02:49:30.150509","2026-04-15T08:10:20.342702",[],[]]