cheatsheet-translation

928 333 非常简单 1 次阅读 6天前MIT其他

AI 解读由 AI 自动生成，仅供参考

cheatsheet-translation 是一个致力于打破语言壁垒的开源协作项目，旨在将斯坦福大学机器学习（CS 229）、深度学习（CS 230）及人工智能（CS 221）等核心课程的高价值速查表（Cheatsheets）翻译成全球多种语言。

在 AI 技术飞速发展的今天，优质的学习资料往往以英文为主，这让许多非英语母语的学习者面临较高的理解门槛。cheatsheet-translation 通过社区众包的方式解决了这一痛点，让世界各地的学生和研究者都能用母语轻松掌握复杂的算法公式与核心概念。项目建立了严谨的“翻译 + 评审”双重机制：贡献者依据标准模板进行翻译，随后由精通该语言的同行逐行审阅并提出建议，确保专业术语的准确性与表达的流畅度。

该项目非常适合 AI 领域的初学者、高校学生、研究人员以及希望回馈社区的技术开发者使用。无论您是想借助母语资料快速入门，还是希望发挥语言特长参与开源建设，都能在这里找到合适的位置。其独特的协作流程不仅保证了内容质量，更促进了全球知识的高效共享，让顶尖的 AI 教育资源真正惠及每一个人。

使用场景

一位母语为中文的算法工程师正在备战大厂面试，急需快速复习斯坦福 CS229 机器学习课程的核心公式与概念，但面对全英文的原始速查表感到吃力。

没有 cheatsheet-translation 时

语言门槛高：必须逐字查阅专业词典才能理解"Backpropagation"或"Regularization"等术语的精确中文语境，打断学习心流。
知识获取慢：网络上缺乏统一、权威的中文翻译版本，只能依赖零散且质量参差不齐的博客文章拼凑知识点。
协作成本高：若想组织团队共同翻译整理，缺乏标准的对照模板和审核流程，导致术语不统一、格式混乱。
更新不同步：手动维护的本地翻译文档无法跟随原版速查表的迭代更新，容易遗漏最新修正内容。
验证难度大：难以确认自己理解的翻译是否准确，缺乏同行评审机制来纠正潜在的语义偏差。

使用 cheatsheet-translation 后

无障碍阅读：直接获取基于 ISO 标准代码管理的简体中文版速查表，核心概念如“反向传播”、“正则化”一目了然。
权威内容直达：依托社区协作模式，迅速获得与斯坦福原课同步的高质量翻译，无需在碎片信息中筛选。
标准化协作：遵循项目定义的“翻译 - 评审”两步走模板，确保团队输出术语一致、结构清晰的复习资料。
实时同步演进：通过 Pull Request 机制随时拉取最新翻译进度，确保复习内容与前沿学术定义保持同步。
双重质量保障：每一行翻译都经过母语者的逐行审查与批注，极大降低了误译风险，提升学习准确性。

cheatsheet-translation 通过众包协作打破了语言壁垒，让全球开发者能平等、高效地获取顶尖人工智能教育资源。

运行环境要求

GPU

未说明

内存

未说明

依赖

notes该项目是一个协作翻译仓库，不涉及软件运行环境。贡献者只需使用文本编辑器修改 Markdown 文件，并通过 Git 和 GitHub 提交拉取请求（Pull Request）。无需安装 Python、GPU 或任何特定的机器学习库。

python未说明

快速开始

VIP 备忘单翻译

目标

本仓库旨在协作将我们的机器学习、深度学习和人工智能备忘单翻译成多种语言，以便世界各地的人都能享用这些内容！

贡献指南

每份备忘单的翻译过程包含两个步骤：

翻译步骤，贡献者按照条目模板进行翻译；
审阅步骤，贡献者逐条检查同伴翻译的内容，并在此基础上提出建议和备注。

翻译者

检查现有的拉取请求，查看哪些备忘单尚未被翻译。
分支该仓库。
将您希望翻译的备忘单的模板复制到对应语言文件夹中，文件夹命名需遵循ISO 639-1 标准（例如，[es] 表示西班牙语，[zh] 表示普通话）。
按照以下结构翻译句子：

英文原文

⟶ 翻译内容

将更改提交到您的分支仓库。
提交一个拉取请求，并将其命名为[语言代码] 文件名。例如，关于 template/cs-229-deep-learning.md 备忘单西班牙语翻译的拉取请求应命名为 [es] cs-229-deep-learning。

审阅者

前往拉取请求列表，按您的母语筛选。
找到需要帮助的拉取请求。这些请求会带有 reviewer wanted 标签。
逐行审阅内容，必要时添加评论和建议。

重要提示

请确保每个拉取请求仅提交一份备忘单的翻译——这样可以大大简化审阅流程。

进展情况

CS 221（人工智能）

	反射模型	状态模型	变量模型	逻辑模型
德语	未开始	未开始	未开始	未开始
西班牙语	未开始	未开始	未开始	未开始
波斯语	进行中	未开始	未开始	未开始
法语	已完成	已完成	已完成	已完成
希伯来语	未开始	未开始	未开始	未开始
意大利语	未开始	未开始	未开始	未开始
日语	未开始	未开始	未开始	未开始
韩语	未开始	未开始	未开始	未开始
葡萄牙语	未开始	未开始	未开始	未开始
俄语	进行中	进行中	进行中	进行中
土耳其语	已完成	已完成	已完成	已完成
越南语	未开始	未开始	未开始	已完成
简体中文	未开始	未开始	未开始	未开始
繁體中文	未开始	未开始	未开始	未开始

CS 229（机器学习）

	深度学习	监督学习	无监督学习	机器学习技巧	概率	代数
阿拉伯语	已完成	已完成	已完成	已完成	已完成	已完成
加泰罗尼亚语	未开始	未开始	未开始	进行中	进行中	进行中
德语	已完成	未开始	未开始	进行中	未开始	进行中
希腊语	未开始	未开始	未开始	进行中	未开始	未开始
西班牙语	已完成	已完成	已完成	已完成	已完成	已完成
爱沙尼亚语	未开始	未开始	未开始	已完成	未开始	未开始
波斯语	已完成	已完成	已完成	已完成	已完成	已完成
芬兰语	进行中	未开始	未开始	未开始	未开始	未开始
法语	已完成	已完成	已完成	已完成	已完成	已完成
希伯来语	进行中	未开始	未开始	未开始	未开始	未开始
印地语	进行中	进行中	未开始	进行中	未开始	未开始
匈牙利语	进行中	进行中	进行中	进行中	进行中	进行中
印尼语	进行中	未开始	进行中	未开始	已完成	已完成
意大利语	进行中	进行中	未开始	未开始	已完成	已完成
日语	已完成	已完成	已完成	已完成	已完成	已完成
韩语	已完成	已完成	已完成	已完成	已完成	已完成
波兰语	进行中	进行中	未开始	进行中	进行中	未开始
葡萄牙语	已完成	已完成	已完成	已完成	已完成	已完成
俄语	进行中	进行中	进行中	进行中	进行中	进行中
土耳其语	已完成	已完成	已完成	已完成	已完成	已完成
乌克兰语	未开始	未开始	未开始	未开始	已完成	进行中
越南语	已完成	已完成	已完成	已完成	已完成	已完成
简体中文	进行中	已完成	进行中	进行中	进行中	进行中
繁体中文	已完成	已完成	已完成	已完成	已完成	已完成

CS 230（深度学习）

	卷积神经网络	循环神经网络	深度学习技巧
阿拉伯语	未开始	未开始	未开始
加泰罗尼亚语	未开始	未开始	未开始
德语	未开始	未开始	未开始
西班牙语	未开始	未开始	进行中
波斯语	已完成	已完成	已完成
芬兰语	未开始	未开始	未开始
法语	已完成	已完成	已完成
希伯来语	未开始	未开始	未开始
印地语	未开始	未开始	未开始
匈牙利语	未开始	未开始	未开始
印尼语	已完成	进行中	进行中
意大利语	未开始	未开始	未开始
日语	已完成	已完成	已完成
韩语	已完成	进行中	进行中
波兰语	未开始	未开始	未开始
葡萄牙语	已完成	未开始	未开始
俄语	进行中	进行中	进行中
土耳其语	已完成	已完成	已完成
乌克兰语	未开始	未开始	未开始
越南语	已完成	已完成	已完成
简体中文	进行中	进行中	未开始
繁体中文	已完成	未开始	未开始

致谢

感谢大家的帮助！请别忘了将您的名字添加到 CONTRIBUTORS 文件中，以便我们在作弊表的官方网站上给予您应有的署名。

cheatsheet-translation 快速上手指南

cheatsheet-translation 是一个协作翻译斯坦福大学机器学习（CS 229）、深度学习（CS 230）和人工智能（CS 221）速查表（Cheatsheets）的开源项目。本指南将帮助中国开发者快速参与中文翻译工作。

环境准备

本项目主要涉及文档翻译与版本控制，无需复杂的运行环境或依赖库。

系统要求：Windows、macOS 或 Linux 均可。
前置依赖：
- Git：用于代码克隆、提交和拉取请求（PR）。
- GitHub 账号：用于 Fork 仓库和提交贡献。
- 文本编辑器：推荐 VS Code、Notepad++ 或任何支持 Markdown 格式的编辑器。
网络建议：由于项目托管在 GitHub，国内用户访问可能受限。建议使用科学上网工具，或通过配置 Git 代理加速连接。

安装步骤

本项目无需“安装”软件包，只需克隆仓库即可开始工作。

Fork 仓库 在 GitHub 上访问 shervinea/cheatsheet-translation，点击右上角的 Fork 按钮，将仓库复制到你的个人账号下。
克隆仓库到本地 打开终端（Terminal 或 Git Bash），执行以下命令（请将 <your-username> 替换为你的 GitHub 用户名）：
```
git clone https://github.com/<your-username>/cheatsheet-translation.git
cd cheatsheet-translation
```
确认待翻译内容 在发起翻译前，请先查看现有的 Pull Requests 或 README 中的进度表，确认你想翻译的章节尚未被他人认领或正在进行中，避免重复劳动。

基本使用

翻译流程分为“创建翻译文件”和“提交审核”两个核心步骤。

1. 创建翻译文件

假设你要翻译 CS 229 (Machine Learning) 中的 Deep Learning 章节为简体中文：

定位模板：进入 template 文件夹，找到对应的英文模板文件，例如 cs-229-deep-learning.md。
创建语言文件夹：在项目根目录下，根据 ISO 639-1 标准创建语言文件夹。简体中文的代码为 zh。
- 如果 zh 文件夹不存在，请新建该文件夹。

复制并重命名文件：将模板文件复制到 zh 文件夹中，保持文件名一致：

# 示例命令（在项目中执行）
cp template/cs-229-deep-learning.md zh/cs-229-deep-learning.md

执行翻译：使用文本编辑器打开 zh/cs-229-deep-learning.md。严格遵循以下格式进行翻译：保留原始英文行，并在下一行添加翻译内容。

格式示例：
```
34. **English blabla**

&#10230; 这里是你的中文翻译
```
注意：请务必保留 ⟶ 符号，它是项目解析翻译内容的标记。

2. 提交翻译 (Pull Request)

提交更改：

git add zh/cs-229-deep-learning.md
git commit -m "[zh] cs-229-deep-learning"
git push origin master

注意：Commit 信息和 PR 标题需遵循 [语言代码] 文件名 的格式。

发起 Pull Request：
- 回到你的 GitHub 仓库页面，点击 Compare & pull request。
- 标题：命名为 [zh] cs-229-deep-learning。
- 重要提示：每个 Pull Request 仅包含一个 速查表的翻译，以便审核者高效审查。
等待审核：提交后，社区中的审核者（Reviewers）会逐行检查翻译质量并提出建议。根据反馈修改代码并提交新的 commit 即可。

3. 参与审核（可选）

如果你精通某门语言并希望帮助审核他人的翻译：

前往 Pull Requests 列表。
筛选带有 reviewer wanted 标签且为你母语的项目。
在 Files changed 标签页中逐行评论，提出修改建议。

贡献完成后，别忘了在项目的 CONTRIBUTORS 文件中添加你的名字，以获得官方致谢。

常见问题

Sigmoid 函数的值域表示法 ]0,1[ 是什么意思？

如何参与项目的翻译工作并标记进度？

在哪里可以找到 CS230 课程的翻译模板文件？

发现翻译文件中缺少原文的某部分内容怎么办？

在数组或列表元素分隔时，为了避免与语言本身的标点符号（如逗号）混淆，建议使用什么分隔符？

如何修正翻译中的术语错误（例如将“型号类型”改为“模型类型”）？

如果不小心在 PR 中提交了未审核的文件（如复习材料），应该如何处理？

项目是否计划翻译课程的主页索引页面（如 cs-229.html）？

相似工具推荐

ML-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。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。

★ 85.1k|★★☆☆☆|1周前

图像数据工具视频

funNLP

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。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。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。

★ 79.9k|★☆☆☆☆|1周前

语言模型数据工具其他

cs-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。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。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。

★ 79.8k|★☆☆☆☆|1周前

其他图像数据工具

ragflow

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。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。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。

★ 77.1k|★★★☆☆|2周前

Agent图像开发框架

PaddleOCR

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。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。 PaddleOCR 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。

★ 75.8k|★★★☆☆|今天

语言模型图像开发框架

awesome-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。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。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。

★ 72.1k|★☆☆☆☆|2周前

开发框架其他