materiais-de-estudos-sobre-data-science-deep-machine-learning

GitHub
659 129 非常简单 1 次阅读 2天前MIT其他数据工具开发框架
AI 解读 由 AI 自动生成，仅供参考

materiais-de-estudos-sobre-data-science-deep-machine-learning 是一个专为初学者打造的葡萄牙语人工智能学习指南。它系统性地整理了数据科学与机器学习领域的免费及付费资源，涵盖学习路径规划、精选视频频道、在线课程、专业书籍、数学基础、编程语言（Python/R）教程以及实战数据集等全方位内容。

该资源库主要解决了新手在面对海量且碎片化的学习资料时，难以构建清晰知识体系和寻找高质量入门材料的痛点。通过提供结构化的“学习路线图”，它帮助用户从理论基础平滑过渡到项目实战，甚至包含作品集构建指导和自由职业建议，极大地降低了入行门槛。

虽然内容以葡萄牙语为主，但其独特的价值在于作者亲身验证的学习轨迹与经验总结。它不仅罗列链接，更分享了从完成基础课程到参与科研项目的真实成长历程，为学习者提供了可参考的榜样和避坑指南。

非常适合想要入门数据科学、机器学习或深度学习的初学者使用，尤其是熟悉葡萄牙语或希望了解拉美地区 AI 教育资源的开发者与学生。对于需要系统化教学大纲的教育者而言，这也是一份极具参考价值的课程素材库。

使用场景

一名零基础的葡萄牙语学生想转行数据科学，面对海量且分散的学习资源感到无从下手。

没有 materiais-de-estudos-sobre-data-science-deep-machine-learning 时

  • 资源筛选困难：在谷歌和 YouTube 上盲目搜索"Python 教程”或“机器学习入门”，被大量过时、付费或英文内容淹没，难以辨别质量。
  • 学习路径缺失：不清楚该先学数学基础还是直接写代码，缺乏系统性的路线图，导致学习碎片化，经常半途而废。
  • 本地化内容匮乏：很难找到高质量的葡萄牙语（PT-BR）免费教材和课程，语言障碍大大增加了入门门槛。
  • 实战方向迷茫：不知道去哪里找适合新手的练习数据集，也不了解如何构建第一个作品集项目来证明能力。

使用 materiais-de-estudos-sobre-data-science-deep-machine-learning 后

  • 精选资源直达：直接获取仓库中整理好的免费 PT-BR 核心链接，涵盖从基础数学到 TensorFlow 的优质频道与书籍，节省 90% 的搜索时间。
  • 清晰成长路线：参考作者亲测的“学习旅程”和推荐路线图，按部就班地从 Python 基础过渡到深度学习，建立结构化知识体系。
  • 母语无障碍学习：依托专门筛选的葡语内容池，包括 Udemy 课程和本地博客，让初学者能用最熟悉的语言攻克复杂概念。
  • 实战项目指引：利用推荐的初学者数据集和作品集构建建议，快速复现如"ENEM 成绩地图可视化”等具体案例，积累求职资本。

materiais-de-estudos-sobre-data-science-deep-machine-learning 将散乱的知识点编织成清晰的葡语学习地图，让数据科学入门从“大海捞针”变为“按图索骥”。

运行环境要求

GPU

未说明

内存

未说明

依赖
notes该仓库并非一个可运行的 AI 软件工具，而是一个关于数据科学和机器学习（初学者级别）的学习资料汇总列表。内容主要包含指向外部课程、书籍、视频、文章和数据集的链接（多为葡萄牙语）。因此，它没有操作系统、GPU、内存或特定 Python 库的安装需求。用户只需具备浏览器即可访问所列资源，若需实践链接中的教程，则需根据具体教程的要求自行配置环境（通常涉及 Python、Pandas、TensorFlow 等基础数据科学库）。
python未说明
materiais-de-estudos-sobre-data-science-deep-machine-learning hero image

快速开始

数据科学与机器学习学习资料（入门级）

本仓库旨在整理关于数据科学和人工智能的学习资料，其中大部分为免费资源，并以巴西葡萄牙语提供。最初，我创建这个仓库是为了归类在搜索资料过程中找到的各种链接。如今，我会不断添加我认为对初学者重要的各类资源。

欢迎大家贡献内容。



我在疫情期间学习

内容列表

我的学习路径/旅程

已完成的课程及专业/学术经历

目前完成的项目

  • 使用Folium绘制高考平均分地图： 利用Folium库（一种便于在地图上可视化数据的工具）绘制高考平均分地图。绘图时考虑了各州的边界，因此共有27个学校组。使用了两个数据集。[Medium]

  • 戈亚尼亚市COVID-19仪表盘： 该项目采用数据科学方法，开发了一个用于监测戈亚尼亚市COVID-19确诊病例和死亡人数的仪表盘。该仪表盘包含图表和地图，展示了当地的相关数据。

关于该领域的简介

学习动机

学习路径/学习建议/路线图

这些链接中的内容可供希望制定学习计划或简单了解所需学习内容的人参考。它们帮助我更好地理解了这个领域，让我清楚自己目前所处的位置以及接下来应该往哪个方向发展。

随着学习进展可使用的内容

这些练习和总结可以在学习过程中加以利用。

免费与付费书籍

由业内专业人士推荐的书籍。这些推荐来自直播和Medium上的文章。 （葡萄牙语和英语）

数学

根据我的研究，学习数学的一个好方法是按需学习。例如，在需要时再学习相关数学内容，这样可以避免遗忘，而如果我们先学完所有人工智能所需的前置知识再开始学习，很可能会出现遗忘的情况。不过，如果有必要，最好还是先简单回顾一下基础数学。

数学基础

数据科学中的数学

机器学习/深度学习中的数学

Python语言

R语言

部分库的相关课程

TensorFlow

Pandas

人工智能基础

机器学习

神经网络/深度学习

数据科学

YouTube 频道

关于人工智能的各种内容。

包含挑战/问题的网站

优德米/优达学城/ Coursera 课程

有些是免费的（无证书），另一些则需要付费。

优德米

Coursera

优达学城

代码仓库

这些仓库包含内容、学习路径、技巧和练习，也就是说，它们拥有大量关于人工智能的资料。

初学者用数据集

(整理) * [UCI 机器学习库：数据集](https://archive.ics.uci.edu/ml/datasets.php) * [谷歌数据集搜索](https://datasetsearch.research.google.com/)

搭建作品集的建议

数据科学自由职业者

或多或少偏离主题的内容

代表性

对 Python 开发者有用网站

有用链接

播客

开源项目

文章

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

★ 349.3k|★★★☆☆|昨天
Agent开发框架图像

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。

★ 162.1k|★★★☆☆|2天前
开发框架图像Agent

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

★ 143.9k|★★☆☆☆|今天
开发框架Agent语言模型

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。

★ 107.9k|★★☆☆☆|昨天
开发框架图像Agent

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

★ 93.4k|★★☆☆☆|昨天
插件开发框架

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

★ 90.1k|★★★☆☆|昨天
语言模型图像Agent