[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-rasbt--MachineLearning-QandAI-book":3,"tool-rasbt--MachineLearning-QandAI-book":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",148568,2,"2026-04-09T23:34:24",[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。",108111,"2026-04-08T11:23:26",[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":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":72,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":87,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":97,"github_topics":98,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":148},6176,"rasbt\u002FMachineLearning-QandAI-book","MachineLearning-QandAI-book","Machine Learning Q and AI book","MachineLearning-QandAI-book 是由知名机器学习教育家 Sebastian Raschka 编写的进阶学习资源，旨在帮助已掌握基础知识的从业者填补知识盲区并紧跟技术前沿。本书通过 30 个精炼的章节，以问答形式深入探讨了从多 GPU 训练范式、Transformer 微调到视觉模型原理等核心议题，有效解决了学习者在进阶过程中遇到的概念模糊和技术更新滞后问题。\n\n该内容特别适合具有一定机器学习基础的开发者、数据科学家及研究人员使用。其独特亮点在于不仅提供清晰的理论图解和延伸阅读指引，还针对部分章节（如随机性来源、文本数据增强等）提供了可运行的补充代码示例，实现了理论与实践的紧密结合。无论是想深入理解大语言模型架构差异，还是探究减少过拟合的具体策略，MachineLearning-QandAI-book 都能以轻松易懂的方式引导读者构建更系统的知识体系，是通往高级人工智能应用的实用指南。","# *Machine Learning Q and AI Beyond the Basics* Book\n\n\n\nThe Supplementary Materials for the [Machine Learning Q and AI](https:\u002F\u002Fnostarch.com\u002Fmachine-learning-q-and-ai) book by [Sebastian Raschka](http:\u002F\u002Fsebastianraschka.com).\n\nPlease use the [Discussions](https:\u002F\u002Fgithub.com\u002Frasbt\u002Fml-q-and-ai\u002Fdiscussions) for any questions about the book!\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frasbt_MachineLearning-QandAI-book_readme_d9e0a23d0402.jpg\" alt=\"2023-ml-qai-cover\" width=\"200\">\n\n\u003Cbr>\n\n#### About the Book\n\nIf you’ve locked down the basics of machine learning and AI and want a fun way to address lingering knowledge gaps, this book is for you. This rapid-fire series of short chapters addresses 30 essential questions in the field, helping you stay current on the latest technologies you can implement in your own work.\n\nEach chapter of *Machine Learning Q and AI* asks and answers a central question, with diagrams to explain new concepts and ample references for further reading\n\n- Multi-GPU training paradigms\n- Finetuning transformers\n- Differences between encoder- and decoder-style LLMs\n- Concepts behind vision transformers\n- Confidence intervals for ML\n- And many more!\n\n\u003Cp style=\"font-size: 0.8em;\">\nThis book is a fully edited and revised version of \u003Ca href=\"https:\u002F\u002Fleanpub.com\u002Fmachine-learning-q-and-ai\">Machine Learning Q and AI\u003C\u002Fa>, which was available on Leanpub.\n\u003C\u002Fp>\n\n\u003Cbr>\n\n#### Reviews\n\n> “One could hardly ask for a better guide than Sebastian, who is, without exaggeration, the best machine learning educator currently in the field. On each page, Sebastian not only imparts his extensive knowledge but also shares the passion and curiosity that mark true expertise.”\u003Cbr>\n**-- Chris Albon, Director of Machine Learning, The Wikimedia Foundation**\n\n\u003Cbr>\n\n#### Links\n\n- [Preorder directly from No Starch press](https:\u002F\u002Fnostarch.com\u002Fmachine-learning-q-and-ai)\n- [Preorder directly from Amazon](https:\u002F\u002Fwww.amazon.com\u002FMachine-Learning-AI-Essential-Questions\u002Fdp\u002F1718503768)\n- [Supplementary Materias and Discussions](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book)\n\n\u003Cbr>\n\u003Cbr>\n\n## Table of Contents\n\n| Title | URL Link | Supplementary Code |\n|---------|-------|----------|\n| 1 | Embeddings, Representations, and Latent Space | |\n| 2 | Self-Supervised Learning | |\n| 3 | Few-Shot Learning | |\n| 4 | The Lottery Ticket Hypothesis | |\n| 5 | Reducing Overfitting with Data | |\n| 6 | Reducing Overfitting with Model Modifications | |\n| 7 | Multi-GPU Training Paradigms | |\n| 8 | The Keys to the Success of Transformers | |\n| 9 | Generative AI Models | |\n| 10 | Sources of Randomness | [data-sampling.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq10-random-sources\u002Fdata-sampling.ipynb) \u003Cbr> [dropout.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq10-random-sources\u002Fdropout.ipynb) \u003Cbr>  [random-weights.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq10-random-sources\u002Frandom-weights.ipynb)|\n|| PART II: COMPUTER VISION | |\n| 11 | Calculating the Number of Parameters | [conv-size.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq11-conv-size\u002Fq11-conv-size.ipynb)|\n| 12 | The Equivalence of Fully Connected and Convolutional Layers | [fc-cnn-equivalence.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq12-fc-cnn-equivalence\u002Fq12-fc-cnn-equivalence.ipynb)|\n| 13 | Large Training Sets for Vision Transformers | |\n|| PART III: NATURAL LANGUAGE PROCESSING | |\n| 14 | The Distributional Hypothesis | |\n| 15 | Data Augmentation for Text | [backtranslation.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fbacktranslation.ipynb) \u003Cbr> [noise-injection.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fnoise-injection.ipynb) \u003Cbr> [sentence-order-shuffling.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fsentence-order-shuffling.ipynb) \u003Cbr> [synonym-replacement.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fsynonym-replacement.ipynb) \u003Cbr> [synthetic-data.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fsynthetic-data.ipynb) \u003Cbr> [word-deletion.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fword-deletion.ipynb) \u003Cbr> [word-position-swapping.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fword-position-swapping.ipynb)|\n| 16 | “Self”-Attention | |\n| 17 | Encoder- And Decoder-Style Transformers | |\n| 18 | Using and Finetuning Pretrained Transformers | |\n| 19 | Evaluating Generative Large Language Models | [BERTScore.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq19-evaluation-llms\u002FBERTScore.ipynb) \u003Cbr> [bleu.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq19-evaluation-llms\u002Fbleu.ipynb) \u003Cbr> [perplexity.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq19-evaluation-llms\u002Fperplexity.ipynb) \u003Cbr> [rouge.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq19-evaluation-llms\u002Frouge.ipynb) |\n|| PART IV: PRODUCTION AND DEPLOYMENT | |\n| 20 | Stateless And Stateful Training | |\n| 21 | Data-Centric AI | |\n| 22 | Speeding Up Inference | |\n| 23 | Data Distribution Shifts | |\n| | PART V: PREDICTIVE PERFORMANCE AND MODEL EVALUATION | |\n| 24 | Poisson and Ordinal Regression | |\n| 25 | Confidence Intervals | [four-methods.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq25_confidence-intervals\u002F1_four-methods.ipynb) \u003Cbr> [four-methods-vs-true-value.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq25_confidence-intervals\u002F2_four-methods-vs-true-value.ipynb)|\n| 26 | Confidence Intervals Versus Conformal Predictions | [conformal_prediction.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq26_conformal-prediction\u002Fconformal_prediction.ipynb) |\n| 27 | Proper Metrics | |\n| 28 | The K in K-Fold Cross-Validation | |\n| 29 | Training and Test Set Discordance | |\n| 30 | Limited Labeled Data | |\n\n","# 《机器学习Q&A与AI进阶》书籍\n\n\n\n由[塞巴斯蒂安·拉施卡](http:\u002F\u002Fsebastianraschka.com)编写的《机器学习Q&A与AI》一书的配套资料。\n\n如有关于本书的问题，请使用[讨论区](https:\u002F\u002Fgithub.com\u002Frasbt\u002Fml-q-and-ai\u002Fdiscussions)！\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frasbt_MachineLearning-QandAI-book_readme_d9e0a23d0402.jpg\" alt=\"2023-ml-qai-cover\" width=\"200\">\n\n\u003Cbr>\n\n#### 关于本书\n\n如果你已经掌握了机器学习和人工智能的基础知识，并希望以一种有趣的方式填补尚存的知识空白，那么这本书正适合你。本书以快节奏的短篇章节形式，围绕该领域的30个核心问题展开解答，帮助你紧跟最新技术，将其应用到自己的工作中。\n\n《机器学习Q&A与AI》的每一章都围绕一个核心问题进行问答，并配有图表来阐释新概念，同时提供丰富的参考文献供进一步阅读。\n\n- 多GPU训练范式\n- 变换器模型的微调\n- 编码器与解码器架构大型语言模型的区别\n- 视觉变换器背后的核心概念\n- 机器学习中的置信区间\n- 以及更多内容！\n\n\u003Cp style=\"font-size: 0.8em;\">\n本书是曾在Leanpub上发布的《Machine Learning Q and AI》的完全编辑和修订版。\n\u003C\u002Fp>\n\n\u003Cbr>\n\n#### 书评\n\n> “很难找到比塞巴斯蒂安更好的向导了，他毫不夸张地说是目前机器学习领域最优秀的教育者。在每一页中，塞巴斯蒂安不仅传授了他渊博的知识，还分享了真正专家所具备的热情与好奇心。”\u003Cbr>\n**——克里斯·阿尔本，维基媒体基金会机器学习总监**\n\n\u003Cbr>\n\n#### 链接\n\n- [直接从No Starch出版社预订](https:\u002F\u002Fnostarch.com\u002Fmachine-learning-q-and-ai)\n- [直接从亚马逊预订](https:\u002F\u002Fwww.amazon.com\u002FMachine-Learning-AI-Essential-Questions\u002Fdp\u002F1718503768)\n- [配套资料与讨论区](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book)\n\n\u003Cbr>\n\u003Cbr>\n\n## 目录\n\n| 标题 | URL链接 | 配套代码 |\n|---------|-------|----------|\n| 1 | 嵌入、表示与潜在空间 | |\n| 2 | 自监督学习 | |\n| 3 | 少样本学习 | |\n| 4 | 彩票假说 | |\n| 5 | 通过数据减少过拟合 | |\n| 6 | 通过模型改进减少过拟合 | |\n| 7 | 多GPU训练范式 | |\n| 8 | 变换器成功的秘诀 | |\n| 9 | 生成式AI模型 | |\n| 10 | 随机性的来源 | [data-sampling.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq10-random-sources\u002Fdata-sampling.ipynb) \u003Cbr> [dropout.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq10-random-sources\u002Fdropout.ipynb) \u003Cbr>  [random-weights.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq10-random-sources\u002Frandom-weights.ipynb)|\n|| 第二部分：计算机视觉 | |\n| 11 | 计算参数数量 | [conv-size.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq11-conv-size\u002Fq11-conv-size.ipynb)|\n| 12 | 全连接层与卷积层的等价性 | [fc-cnn-equivalence.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq12-fc-cnn-equivalence\u002Fq12-fc-cnn-equivalence.ipynb)|\n| 13 | 视觉变换器的大规模训练数据集 | |\n|| 第三部分：自然语言处理 | |\n| 14 | 分布假设 | |\n| 15 | 文本数据增强 | [backtranslation.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fbacktranslation.ipynb) \u003Cbr> [noise-injection.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fnoise-injection.ipynb) \u003Cbr> [sentence-order-shuffling.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fsentence-order-shuffling.ipynb) \u003Cbr> [synonym-replacement.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fsynonym-replacement.ipynb) \u003Cbr> [synthetic-data.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fsynthetic-data.ipynb) \u003Cbr> [word-deletion.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fword-deletion.ipynb) \u003Cbr> [word-position-swapping.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq15-text-augment\u002Fword-position-swapping.ipynb)|\n| 16 | 自注意力机制 | |\n| 17 | 编码器与解码器架构的变换器 | |\n| 18 | 使用与微调预训练变换器 | |\n| 19 | 评估生成式大型语言模型 | [BERTScore.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq19-evaluation-llms\u002FBERTScore.ipynb) \u003Cbr> [bleu.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq19-evaluation-llms\u002Fbleu.ipynb) \u003Cbr> [perplexity.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq19-evaluation-llms\u002Fperplexity.ipynb) \u003Cbr> [rouge.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq19-evaluation-llms\u002Frouge.ipynb) |\n|| 第四部分：生产与部署 | |\n| 20 | 无状态与有状态训练 | |\n| 21 | 数据中心型AI | |\n| 22 | 加速推理 | |\n| 23 | 数据分布偏移 | |\n| | 第五部分：预测性能与模型评估 | |\n| 24 | 泊松回归与序数回归 | |\n| 25 | 置信区间 | [four-methods.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq25_confidence-intervals\u002F1_four-methods.ipynb) \u003Cbr> [four-methods-vs-true-value.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq25_confidence-intervals\u002F2_four-methods-vs-true-value.ipynb)|\n| 26 | 置信区间与共形预测 | [conformal_prediction.ipynb](https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fblob\u002Fmain\u002Fsupplementary\u002Fq26_conformal-prediction\u002Fconformal_prediction.ipynb) |\n| 27 | 合适的评估指标 | |\n| 28 | K折交叉验证中的K值 | |\n| 29 | 训练集与测试集不一致 | |\n| 30 | 标注数据有限 | |","# Machine Learning Q and AI 快速上手指南\n\n本指南旨在帮助开发者快速访问 Sebastian Raschka 所著《Machine Learning Q and AI》一书的补充代码材料，通过运行 Jupyter Notebook 深入理解书中涉及的 30 个核心机器学习与 AI 问题。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Windows、macOS 或 Linux。\n*   **Python 版本**：推荐 Python 3.8 或更高版本。\n*   **核心依赖**：\n    *   `Jupyter Lab` 或 `Jupyter Notebook`（用于运行示例代码）\n    *   `PyTorch` 或 `TensorFlow`（部分深度学习示例需要，具体视 Notebook 内容而定）\n    *   `scikit-learn`, `pandas`, `numpy`, `matplotlib`（通用数据科学库）\n*   **网络环境**：由于仓库托管在 GitHub，建议配置好网络环境以便克隆代码。若下载依赖包较慢，推荐使用国内镜像源。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n\n打开终端（Terminal）或命令提示符，执行以下命令将补充材料下载到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book.git\ncd MachineLearning-QandAI-book\n```\n\n> **提示**：如果克隆速度较慢，可使用国内加速链接（如适用）：\n> ```bash\n> git clone https:\u002F\u002Fghproxy.com\u002Fhttps:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book.git\n> ```\n\n### 2. 创建虚拟环境并安装依赖\n\n建议使用 `conda` 或 `venv` 创建独立的虚拟环境。以下以 `conda` 为例：\n\n```bash\n# 创建名为 ml-qai 的环境，指定 Python 版本\nconda create -n ml-qai python=3.9 -y\n\n# 激活环境\nconda activate ml-qai\n\n# 安装基础数据科学库（使用清华镜像源加速）\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy pandas scikit-learn matplotlib jupyterlab\n\n# 根据具体章节需求安装深度学习框架（任选其一或全部）\n# PyTorch (CPU 版本示例，GPU 版本请参考 pytorch.org)\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch torchvision torchaudio\n\n# 或者 TensorFlow\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow\n```\n\n*注意：具体的 Notebook 可能需要额外的库（如 `transformers`, `bert-score` 等）。如果在运行特定文件时报错缺少模块，请使用 `pip install \u003Cpackage_name>` 单独安装。*\n\n## 基本使用\n\n本项目主要由一系列 Jupyter Notebook (`.ipynb`) 组成，对应书中的不同章节。以下是运行示例的基本流程：\n\n### 1. 启动 Jupyter Lab\n\n在项目根目录下启动服务：\n\n```bash\njupyter lab\n```\n\n浏览器会自动打开 Jupyter 界面。\n\n### 2. 运行示例代码\n\n在文件浏览器中，导航至 `supplementary` 文件夹，选择您感兴趣的章节目录。例如，要学习 **第 10 章：随机性来源 (Sources of Randomness)** 中的 Dropout 示例：\n\n1.  进入路径：`supplementary\u002Fq10-random-sources\u002F`\n2.  点击打开 `dropout.ipynb`\n3.  依次点击单元格（Cell）并按 `Shift + Enter` 运行代码，观察输出结果和图表。\n\n**其他热门示例路径参考：**\n\n*   **文本数据增强 (第 15 章)**:\n    `supplementary\u002Fq15-text-augment\u002Fbacktranslation.ipynb`\n*   **LLM 评估指标 (第 19 章)**:\n    `supplementary\u002Fq19-evaluation-llms\u002FBERTScore.ipynb`\n*   **置信区间计算 (第 25 章)**:\n    `supplementary\u002Fq25_confidence-intervals\u002F1_four-methods.ipynb`\n*   **卷积层参数计算 (第 11 章)**:\n    `supplementary\u002Fq11-conv-size\u002Fq11-conv-size.ipynb`\n\n### 3. 结合书籍阅读\n\n建议对照《Machine Learning Q and AI》实体书或电子版的相关章节阅读。每个 Notebook 都旨在通过代码复现书中提到的概念、公式或实验结果，帮助您从理论到实践全面掌握知识点。","某中级算法工程师在尝试将公司现有的文本分类模型升级为基于 Transformer 的架构时，遇到了理论理解与工程落地之间的断层。\n\n### 没有 MachineLearning-QandAI-book 时\n- 面对“编码器与解码器风格大语言模型的区别”等概念，只能碎片化地搜索博客，难以形成系统认知，导致选型犹豫不决。\n- 在进行小样本（Few-Shot）微调实验时，因缺乏对自监督学习机制的深度理解，反复调整超参数却收效甚微，浪费大量算力资源。\n- 遇到模型过拟合问题时，仅知道常规的数据增强手段，不了解如“回译（Backtranslation）”或“噪声注入”等针对文本的高级技巧，陷入优化瓶颈。\n- 对于多 GPU 训练范式一知半解，在配置分布式环境时频繁报错，排查问题耗时数天，严重拖慢项目进度。\n- 缺乏对随机性来源（如 Dropout、权重初始化）的清晰认识，导致实验结果无法复现，团队内部对模型稳定性产生质疑。\n\n### 使用 MachineLearning-QandAI-book 后\n- 通过书中关于 LLM 架构差异的精简章节，迅速理清了编码器与解码器的适用场景，果断选定了适合分类任务的预训练模型。\n- 借助自监督学习与小样本学习的专门论述，设计了更合理的微调策略，仅用少量标注数据就达到了预期的准确率。\n- 直接复用书中第 15 章提供的文本数据增强代码（如回译和句子顺序打乱），显著提升了模型的泛化能力，解决了过拟合难题。\n- 依据多 GPU 训练范式的详细图解，快速搭建了高效的分布式训练流程，将原本数天的训练时间缩短至几小时。\n- 参考关于随机性来源的补充代码笔记，规范了实验设置，确保了每次运行结果的一致性，赢得了团队信任。\n\nMachineLearning-QandAI-book 帮助开发者跨越了从基础理论到前沿落地的鸿沟，用最短的时间填补了关键知识盲区并提供了可执行的代码方案。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frasbt_MachineLearning-QandAI-book_d9e0a23d.jpg","rasbt","Sebastian Raschka","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frasbt_4eb76c31.jpg","AI Research Engineer working on LLMs.",null,"https:\u002F\u002Fsebastianraschka.com","https:\u002F\u002Fgithub.com\u002Frasbt",[80,84],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",99,{"name":85,"color":86,"percentage":87},"Python","#3572A5",1,718,153,"2026-04-09T08:33:31","BSD-3-Clause","","未说明",{"notes":95,"python":93,"dependencies":96},"README 中未明确列出具体的运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库）。该项目主要是一本书的补充材料，包含多个独立的 Jupyter Notebook 示例代码（涉及多 GPU 训练、Transformer 微调、大语言模型评估等主题）。具体依赖需参考各个 Notebook 文件内部的导入语句或项目根目录下可能存在的 requirements.txt 文件（当前提供的文本中未包含）。鉴于内容涵盖深度学习前沿技术，实际运行通常建议配备 NVIDIA GPU 并安装 PyTorch、Transformers 等主流深度学习库。",[],[15,35,14,13],[99,100,101,102,103,104],"ai","artificial-intelligence","deep-learning","deep-neural-networks","machine-learning","transformers","2026-03-27T02:49:30.150509","2026-04-10T18:54:19.721393",[108,113,118,123,128,133,138,143],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},27973,"在统计计算中，应该使用 `stats.zscore` 还是 `stats.norm.ppf`？","在涉及计算分位数或临界值的上下文中（如第 166 页的注释），原书误用了 `stats.zscore`，正确的函数应该是 `stats.norm.ppf`（percent point function，即累积分布函数的逆函数）。`zscore` 用于计算标准分数，而 `ppf` 用于根据概率值查找对应的分位数。","https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fissues\u002F27",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},27967,"在微调仅解码器模型（如 GPT）进行分类任务时，应该使用哪个 token 的嵌入向量？","应该使用第一个生成的输出 token（first generated output token）的最终隐藏状态。虽然理论上最后一个 token 包含了所有上下文信息，但第一个生成的输出 token 更受青睐，因为它只捕捉原始输入上下文，而不包含任何生成的文本内容。具体做法是添加一个分类头（全连接层和 softmax 激活函数），并在该 token 的嵌入上进行训练。","https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fissues\u002F18",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},27968,"书中提到的扩散过程（diffusion process）和困惑度（perplexity）公式有哪些已知的印刷错误？","已确认的修正包括：1. 图 17-3 中的\"next-sentence prediction\"应改为\"next-word prediction\"或\"next-token prediction\"；2. 图 18-6 和 18-7 中\"Multihead self-attention\"后的\"Fully connected layer\"框应删除；3. 困惑度公式的第二行中多余的求和符号（$\\sum$）应删除；4. 扩散过程描述末尾多余的美元符号（$）应改为句号。详细勘误表可参考项目的 errata 文件。","https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fissues\u002F26",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},27969,"在使用 Hugging Face datasets 库进行特征提取时，遇到\"NameError: name 'tokenize_text' is not defined\"错误如何解决？","这通常是一个拼写错误导致的。请检查代码中定义的函数名是否与调用时的名称完全一致。例如，如果定义的是 `def tokenizer_text(batch):`，但在 `imdb_dataset.map()` 中调用的是 `tokenize_text`，就会报错。确保函数定义名（如 `tokenize_text`）和调用名完全匹配，并且在使用前已正确定义。","https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fissues\u002F24",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},27970,"关于域偏移（Domain Shift）的定义，书中描述是否准确？","书中的原始描述存在不一致。准确的定义是：域偏移（Domain Shift）可以看作是协变量偏移（Covariate Shift，即输入数据分布变化）和概念漂移（Concept Drift，即从输入到输出的映射函数发生变化）的组合。如果仅输入分布变化而映射函数不变，通常称为协变量偏移；若两者皆变或映射函数改变，则涉及更广泛的域偏移概念。","https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fissues\u002F21",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},27971,"在更新分类器时，应该采用无状态（stateless）还是有状态（stateful）的重训练方法？","应根据具体场景选择，但书中相关测验题（Reader Quiz 20(A)）中存在笔误，将\"stateful retraining\"误写为\"stateless retraining\"。通常情况下，如果需要利用之前的训练状态或增量学习，应采用有状态训练（stateful training）；如果是从头开始重新训练，则为无状态。请参照最新的勘误表，将相关章节中的\"stateless retraining\"更正为\"stateful training\"。","https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fissues\u002F28",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},27972,"书中关于神经网络图示（如图 12-1）的输入输出单元数量描述是否有误？","是的，图 12-1 前的文字描述存在笔误。原文写的\"two input and four output units\"（两个输入和四个输出单元）是错误的，正确的描述应为\"four input and two output units\"（四个输入和两个输出单元）。该错误已被收录到官方勘误表中。","https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fissues\u002F25",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},27974,"书中关于文本增强（Text Augmentation）的例子中，单词移除操作是否存在描述错误？","是的，第 104 页的示例存在错误。原文显示原始句子和增强后的句子都包含\"quickly\"，但注释却说明已移除\"quickly\"。正确的增强句子应该是不包含\"quickly\"的，即：原始句为\"The cat quickly jumped over the lazy dog.\"，增强句应为\"The cat jumped over the lazy dog.\"。","https:\u002F\u002Fgithub.com\u002Frasbt\u002FMachineLearning-QandAI-book\u002Fissues\u002F12",[]]