[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-rasbt--machine-learning-notes":3,"tool-rasbt--machine-learning-notes":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。",75309,"2026-04-10T11:12:54",[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":72,"owner_twitter":76,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":29,"env_os":95,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":100,"github_topics":72,"view_count":10,"oss_zip_url":72,"oss_zip_packed_at":72,"status":101,"created_at":102,"updated_at":103,"faqs":104,"releases":134},6376,"rasbt\u002Fmachine-learning-notes","machine-learning-notes","Collection of useful machine learning codes and snippets (originally intended for my personal use)","machine-learning-notes 是一个汇集了实用机器学习代码片段与示例的资源库。它最初是作者为了提升个人工作效率而整理的私人笔记，如今已开放共享，旨在帮助从业者快速解决日常开发中重复造轮子的痛点。在机器学习项目中，开发者往往需要花费大量时间查找基础算法实现、数据预处理技巧或模型调试模板，machine-learning-notes 将这些高频使用的代码模块化、标准化，让用户能直接复用经过验证的逻辑，从而将更多精力集中在核心业务创新上。\n\n这份资源特别适合机器学习工程师、数据科学家以及正在学习相关技术的研究生使用。无论是需要快速搭建原型的开发人员，还是希望参考规范代码风格的学习者，都能从中获益。虽然它不像大型框架那样提供完整的系统架构，但其亮点在于“小而美”的实用性：内容涵盖广泛且贴近实战，代码简洁易懂，没有复杂的依赖包袱，非常适合作为案头速查手册或入门学习的补充材料。通过借鉴这些精炼的代码片段，用户可以更轻松地跨越从理论到实践的鸿沟，高效推进项目进程。","# machine-learning-notes\nCollection of useful machine learning codes and snippets (originally intended for my personal use)\n",null,"# machine-learning-notes 快速上手指南\n\n## 环境准备\n- **系统要求**：支持 Linux、macOS 或 Windows（建议搭配 WSL2）。\n- **前置依赖**：\n  - Python 3.8 或更高版本\n  - pip 包管理工具\n  - 常用机器学习库（如 `numpy`, `pandas`, `scikit-learn`, `tensorflow` 或 `pytorch`，具体取决于代码片段需求）\n\n> 💡 **国内加速建议**：安装依赖时推荐使用清华或阿里镜像源，以提升下载速度。\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 安装步骤\n该项目主要为代码片段集合，无需复杂安装，只需克隆仓库即可使用：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyour-username\u002Fmachine-learning-notes.git\ncd machine-learning-notes\n```\n\n若项目中包含 `requirements.txt`，请执行以下命令安装依赖（推荐使用国内镜像）：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n本项目收录了多种机器学习任务的实用代码片段。使用时可直接复制对应 `.py` 文件或 Jupyter Notebook 中的代码到你的项目中。\n\n**示例：加载并使用一个数据预处理片段**\n\n假设 `preprocessing\u002Fnormalize_data.py` 中包含标准化函数：\n\n```python\nfrom preprocessing.normalize_data import normalize_features\n\n# 示例数据\ndata = [[1, 2], [3, 4], [5, 6]]\n\n# 调用标准化函数\nnormalized_data = normalize_features(data)\nprint(normalized_data)\n```\n\n你可以根据实际需求浏览仓库目录，找到对应的算法实现（如分类、回归、聚类等），直接集成到你的开发流程中。","某初创公司的数据科学家李明正在紧急构建一个客户流失预测模型，需要在两天内完成从数据清洗到模型部署的全流程验证。\n\n### 没有 machine-learning-notes 时\n- 每次遇到常见的特征编码或数据标准化任务，都要重新搜索 Stack Overflow 或翻阅旧项目，耗费大量时间查找零散代码。\n- 手动编写的预处理脚本缺乏统一标准，导致不同实验间的代码逻辑不一致，复现结果时频繁出错。\n- 对于复杂的模型评估指标（如 F1-score 的加权计算），需要反复查阅文档确认公式实现，容易引入细微的数学错误。\n- 缺少经过验证的可视化模板，绘制混淆矩阵或学习曲线时需从头编写 Matplotlib 代码，拖慢了分析进度。\n- 个人积累的优质代码片段分散在多个本地文件中，紧急情况下难以快速定位和复用，增加了重复造轮子的成本。\n\n### 使用 machine-learning-notes 后\n- 直接调用机器学习中预置的数据清洗与特征工程代码片段，将原本数小时的检索工作缩短为几分钟的复制粘贴。\n- 采用仓库中标准化的预处理流程，确保了所有实验环节的逻辑一致性，显著提升了模型结果的可复现性。\n- 复用其中经过严格测试的评估指标函数，避免了手动实现公式可能带来的计算偏差，保证了数据准确性。\n- 利用现成的高质量可视化脚本，一键生成专业的模型性能图表，让团队能更专注于业务洞察而非绘图细节。\n- 依托其结构化的代码分类体系，迅速找到所需的算法实现参考，将原本分散的个人知识转化为高效的团队资产。\n\nmachine-learning-notes 通过将零散的机器学习代码系统化，帮助开发者从繁琐的重复编码中解放出来，专注于核心算法创新与业务价值挖掘。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frasbt_machine-learning-notes_ba42c8c5.png","rasbt","Sebastian Raschka","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frasbt_4eb76c31.jpg","AI Research Engineer working on LLMs.","https:\u002F\u002Fsebastianraschka.com","https:\u002F\u002Fgithub.com\u002Frasbt",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",98.9,{"name":88,"color":89,"percentage":90},"Python","#3572A5",1.1,837,142,"2026-04-08T16:41:53","BSD-3-Clause","","未说明",{"notes":98,"python":96,"dependencies":99},"README 内容仅为项目简介，未提供具体的运行环境需求、依赖列表或安装说明。该项目被描述为个人使用的机器学习代码和片段集合，建议查看仓库中的具体代码文件或后续文档以获取详细配置信息。",[],[18],"ready_partial","2026-03-27T02:49:30.150509","2026-04-11T03:22:47.666713",[105,110,115,120,124,129],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},28850,"在 Mac M1 芯片上运行代码时出现 'RuntimeError: Expected one of cpu, cuda... device type' 错误，提示不支持 'mps' 设备，如何解决？","这是因为当前的 Python 环境可能缺乏对 ARM 架构的完整支持。建议尝试安装专为 ARM 架构设计的 Miniforge 版本，它包含了对 Python ARM 支持的良好兼容性。下载地址：https:\u002F\u002Fgithub.com\u002Fconda-forge\u002Fminiforge。安装后重新配置环境通常能解决该问题。","https:\u002F\u002Fgithub.com\u002Frasbt\u002Fmachine-learning-notes\u002Fissues\u002F4",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},28851,"在 M1 Max\u002FUltra 等 Apple Silicon 机器上运行脚本时，训练准确率极低（接近 0%）或损失不下降，是什么原因？","这通常与 PyTorch 的版本有关。早期开发版（如 1.12.0.dev）可能存在 MPS 后端的稳定性问题导致训练失败。建议升级到更新的 PyTorch 版本（如 2.4.0.dev 或更高），新版本修复了相关问题，测试显示升级后验证集准确率可从 0% 提升至 36% 左右。此外，也可以尝试调整超参数设置。","https:\u002F\u002Fgithub.com\u002Frasbt\u002Fmachine-learning-notes\u002Fissues\u002F3",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},28852,"如何在 M1 Ultra 等高配 Apple Silicon 机器上获得更好的性能扩展？内存和功耗表现如何？","在 M1 Ultra (48 核 GPU, 128GB RAM) 上，使用带有内存修复补丁的 PyTorch 夜间构建版（nightly build）可以观察到相比 M1 Max 良好的性能扩展。典型运行时显存占用约为 18-20GB。功耗方面，GPU 功率通常在 42W 左右，峰值可达 63W；整机封装功率峰值可达 94W。确保使用最新版本的 PyTorch 以利用这些优化。","https:\u002F\u002Fgithub.com\u002Frasbt\u002Fmachine-learning-notes\u002Fissues\u002F12",{"id":121,"question_zh":122,"answer_zh":123,"source_url":119},28853,"在不同硬件（如 RTX 3080 笔记本 vs M1 Max）上进行基准测试时，是否应该调整 Batch Size 以保证公平性？","虽然改变 Batch Size 确实有助于适应不同显存大小的硬件并可能提升速度，但在进行跨计算机的性能基准对比时，为了保持公平性（fairness），维护者建议在所有设备上使用恒定的 Batch Size（例如统一使用 32），而不是根据硬件能力动态调整。",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},28854,"在使用 Optuna 进行 XGBoost 贝叶斯搜索时，对于学习率（learning_rate）参数，应该使用离散均匀分布还是分类选择？","虽然从贝叶斯搜索的理论角度看，使用 `suggest_discrete_uniform` 允许更细致的步长搜索可能更准确，但在梯度提升（Gradient Boosting）的实际应用中，广泛地微调学习率通常不被推荐（收益有限且耗时）。因此，最佳实践是限制学习率的选项，仅使用 2 到 3 个固定的候选值（例如通过 `suggest_categorical` 选择 [0.01] 或少量几个值），以避免不必要的长时间搜索。","https:\u002F\u002Fgithub.com\u002Frasbt\u002Fmachine-learning-notes\u002Fissues\u002F1",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},28855,"在 Windows 笔记本（如搭载 RTX 3080）上运行 VGG16 脚本时，如何确认是否正确使用了 GPU 加速？","检查输出日志中的 `device` 字段是否为 `cuda`，并确认没有出现回退到 CPU 的警告。在成功配置的环境下（如 CUDA 11.3 + PyTorch 1.11.0），日志应显示 `device cuda` 且能正常下载缓存文件。如果在不同模式（如性能模式 vs 涡轮模式）下运行，训练时间会有所不同（例如从 10.25 分钟缩短），这也侧面印证了 GPU 正在工作。确保未修改原始代码中的 batch size 设置（默认为 32）即可直接运行。","https:\u002F\u002Fgithub.com\u002Frasbt\u002Fmachine-learning-notes\u002Fissues\u002F6",[]]