[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wx-chevalier--AI-Notes":3,"tool-wx-chevalier--AI-Notes":62},[4,18,28,37,45,54],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":24,"last_commit_at":43,"category_tags":44,"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",161692,"2026-04-20T11:33:57",[14,13,36],{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":51,"last_commit_at":52,"category_tags":53,"status":17},10072,"DeepSeek-V3","deepseek-ai\u002FDeepSeek-V3","DeepSeek-V3 是一款由深度求索推出的开源混合专家（MoE）大语言模型，旨在以极高的效率提供媲美顶尖闭源模型的智能服务。它拥有 6710 亿总参数，但在处理每个 token 时仅激活 370 亿参数，这种设计巧妙解决了大规模模型推理成本高、速度慢的难题，让高性能 AI 更易于部署和应用。\n\n这款模型特别适合开发者、研究人员以及需要构建复杂 AI 应用的企业团队使用。无论是进行代码生成、逻辑推理还是多轮对话开发，DeepSeek-V3 都能提供强大的支持。其独特之处在于采用了无辅助损失的负载均衡策略和多令牌预测训练目标，前者在提升计算效率的同时避免了性能损耗，后者则显著增强了模型表现并加速了推理过程。此外，模型在 14.8 万亿高质量令牌上完成预训练，且整个训练过程异常稳定，未出现不可恢复的损失尖峰。凭借仅需 278.8 万 H800 GPU 小时即可完成训练的高效特性，DeepSeek-V3 为开源社区树立了一个兼顾性能与成本效益的新标杆。",102693,5,"2026-04-20T03:58:04",[36],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":10,"last_commit_at":60,"category_tags":61,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-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。\n\n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。\n\nLLMs-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",90106,"2026-04-06T11:19:32",[36,15,13,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":101,"github_topics":103,"view_count":24,"oss_zip_url":80,"oss_zip_packed_at":80,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":114},10196,"wx-chevalier\u002FAI-Notes","AI-Notes",":books: [.md & .ipynb] Series of Artificial Intelligence & Deep Learning, including Mathematics Fundamentals, Python Practices, NLP Application, etc. 💫 人工智能与深度学习实战，数理统计篇 | 机器学习篇 | 深度学习篇 | 自然语言处理篇 | 工具实践 Scikit & Tensoflow & PyTorch 篇 | 行业应用 & 课程笔记","AI-Notes 是一套系统化的人工智能与深度学习实战知识库，涵盖数理统计基础、Python 编程实践、机器学习算法、深度学习架构及自然语言处理等核心领域。它致力于解决学习者面对海量碎片化技术信息时难以构建完整知识体系的痛点，通过“理论讲解 + 代码实战”的模式，将抽象的算法原理转化为可运行、可编辑的 Jupyter Notebook 案例，并支持在 Google Colab 云端直接实验，大幅降低了环境配置门槛。\n\n这套资源特别适合人工智能领域的初学者、高校学生、科研人员以及希望转型的开发者使用。对于新手，它提供了从数学基础到行业应用的清晰学习路径；对于从业者，则是查阅 Scikit-learn、TensorFlow、PyTorch 等主流框架最佳实践的案头手册。其独特亮点在于不仅梳理了从弱人工智能到超智能的理论演进，更将数据挖掘、模型训练到工程化部署的全流程以开源笔记形式呈现，内容持续更新且结构严谨。无论是想夯实理论基础，还是寻求具体的代码实现参考，AI-Notes 都能提供详实而友好的指引，帮助用户高效掌握前沿 AI 技术。","[![Contributors][contributors-shield]][contributors-url]\n[![Forks][forks-shield]][forks-url]\n[![Stargazers][stars-shield]][stars-url]\n[![Issues][issues-shield]][issues-url]\n[![license: CC BY-NC-SA 4.0](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002Flicense-CC%20BY--NC--SA%204.0-lightgrey.svg)][license-url]\n\n\u003C!-- PROJECT LOGO -->\n\u003Cbr \u002F>\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\">\n    \u003Cimg src=\"https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002Fheader.svg\" alt=\"Logo\" style=\"width: 100vw;height: 400px\" \u002F>\n    \u003Cimg src=\"https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002F20230222101814.png\" alt=\"Logo\" style=\"height: 400px\" \u002F>\n  \u003C\u002Fa>\n\n  \u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fng-tech.icu\u002Fbooks\u002FAI-Notes\">\u003Cstrong>在线阅读 >> \u003C\u002Fstrong>\u003C\u002Fa>\n    \u003Cbr \u002F>\n    \u003Cbr \u002F>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwx-chevalier\">代码案例\u003C\u002Fa>\n    ·\n       \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAwesome-Lists\">参考资料\u003C\u002Fa>\n\n  \u003C\u002Fp>\n\u003C\u002Fp>\n\n\u003C!-- ABOUT THE PROJECT -->\n\n# AI Series | 人工智能与深度学习实战\n\n在本系列中，你可能会接触到数据挖掘、机器学习、深度学习、自然语言处理、人工智能等很多的概念。值得说明的是，鉴于很多的算法实现是以文字结合代码介绍为最佳，因此工具实践篇中的大部分内容是以 Juypter Notebook 的形式放在该仓库中，并且在 Colab 中进行浏览、编辑与实验。\n\n![default](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002F611143c55132923bf8ccc10d.png)\n\n# Nav | 导航\n\n本系列目前分为[机器学习](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FMachineLearning-Notes)、[自然语言处理](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FNLP-Notes)等部分。如果您是新人，建议从[机器学习](.\u002F机器学习)篇开始阅读，也可以在[数理统计](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FMathematics-Notes)篇中夯实理论基础。如果想了解更多实践操作，建议阅读[深度学习](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FDeepLearning-Notes)、[自然语言处理](.\u002F自然语言处理)、[工具与工程化](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Toolkits-Notes)（[TensorFlow Series](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FTensorFlow-Notes)）等部分。\n\n# Preface | 前言\n\n1956 年，几个计算机科学家相聚在达特茅斯会议，提出了“人工智能”的概念，梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。2012 年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。\n\n![AI 算法大分类](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002F20221225150539.png)\n\n机器学习是一种实现人工智能的方法，机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。机器学习直接来源于早期的人工智能领域，传统的模型算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost 等等。从任务类型上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习和强化学习的等。\n\n- 弱人工智能 Artificial Narrow Intelligence (ANI): 弱人工智能是擅长于单个方面的人工智能。比如有能战胜象棋世界冠军的人工智能，但是它只会下象棋，你要问它怎样更好地在硬盘上储存数据，它就不知道怎么回答你了。\n\n- 强人工智能 Artificial General Intelligence (AGI): 人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多，我们现在还做不到。Linda Gottfredson 教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。\n\n- 超人工智能 Artificial Superintelligence (ASI): 牛津哲学家，知名人工智能思想家 Nick Bostrom 把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。超人工智能也正是为什么人工智能这个话题这么火热的缘故。\n\n## 人工智能与数据科学\n\n![人工智能 Venn 图](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002FwaPjrd.png)\n\n## 人工智能与深度学习\n\n传统的机器学习算法在指纹识别、基于 Haar 的人脸检测、基于 HoG 特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。\n\n![人工智能与深度学习的关系](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002FKBeQG4.png)\n\n深度学习是一种实现机器学习的技术，深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算能力落后，因此最终的效果不尽如人意。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。\n\n## 人工智能的发展阶段\n\n- 第一阶段（20 世纪 50 年代中期到 80 年代初期）：深耕细作，30 年技术发展为人工智能产业化奠定基础。在 1956 年之前，人工智能就已经开始孕育。神经元模型、图灵测试的提出以及 SNARC 神经网络计算机的发明，为人工智能的诞生奠定了基础。1956 年的达特茅斯会议代表人工智能正式诞生和兴起。此后人工智能快速发展，深度学习模型以及 AlphaGo 增强学习的雏形——感知器均在这个阶段得以发明。随后由于早期的系统适用于更宽的问题选择和更难的问题时效果均不理想，因此美国、英国相继缩减经费支持，人工智能进入低谷。\n\n- 第二阶段（20 世纪 80 年代初期至 21 世纪初期）：急功近利，人工智能成功商用但跨越式发展失败。80 年代初期，人工智能逐渐成为产业，第一个成功的商用专家系统 R1 为 DEC 公司每年节约 4000 万美元左右的费用。截止到 20 世纪 80 年代末，几乎一半的“财富 500 强”都在开发或使用“专家系统”。受此鼓励，日本、美国等国家投入巨资开发第 5 代计算机——人工智能计算机。在 90 年代初，IBM、苹果推出的台式机进入普通百姓家庭中，奠定了计算机工业的发展方向。第 5 代计算机由于技术路线明显背离计算机工业的发展方向，项目宣告失败，人工智能再一次进入低谷。尽管如此，浅层学习如支持向量机、Boosting 和最大熵方法等在 90 年代得到了广泛应用。\n\n- 第三阶段（21 世纪初期至今）：量变产生质变，人工智能有望实现规模化应用。摩尔定律和云计算带来的计算能力的提升，以及互联网和大数据广泛应用带来的海量数据量的积累，使得深度学习算法在各行业得到快速应用，并推动语音识别、图像识别等技术快速发展并迅速产业化。2006 年，Geoffrey Hinton 和他的学生在《Science》上提出基于深度信念网络（Deep Belief Networks,DBN）可使用非监督学习的训练算法，使得深度学习在学术界持续升温。2012 年，DNN 技术在图像识别领域的应用使得 Hinton 的学生在 ImageNet 评测中取得了非常好的成绩。深度学习算法的应用使得语音识别、图像识别技术取得了突破性进展，围绕语音、图像、机器人、自动驾驶等人工智能技术的创新创业大量涌现，人工智能迅速进入发展热潮。\n\n不同的模型、策略、算法的搭配，不断地推动着人工智能的发展，其又可以被分为三个阶段：计算智能、感知智能和认知智能。\n\n- 第一阶段的计算智能即快速计算和记忆存储，像机器人战胜围棋大师，靠的就是超强的记忆能力和运算速度。人脑的逻辑能力再强大，也敌不过人工智能每天和自己下几百盘棋，通过强大的计算能力对十几步后的结果做出预测，从这一角度来说，人工智能多次战败世界级围棋选手，足以证明这一领域发展之成熟。\n\n- 第二阶段的感知智能，即让机器拥有视觉、听觉、触觉等感知能力。自动驾驶汽车做的就是这一方面的研究，使机器通过传感器对周围的环境进行感知和处理，从而实现自动驾驶。感知智能方面的技术目前发展比较成熟的领域有语音识别和图像识别，比如做安全领域人脸识别技术的 Face++，以成熟的计算机视觉技术深耕电商、短视频等领域的 Yi+，能够对多种语言进行准确识别翻译的科大讯飞等。\n\n- 第三阶段的认知智能就是让机器拥有自己的认知，能理解会思考。认知智能是目前机器和人差距最大的领域，因为这不仅涉及逻辑和技术，还涉及心理学、哲学和语言学等学科。\n\n# About\n\n## Copyright & More | 延伸阅读\n\n![License: CC BY-NC-SA 4.0](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-CC%20BY--NC--SA%204.0-lightgrey.svg) ![](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002FbDm)\n\n笔者所有文章遵循[知识共享 署名-非商业性使用-禁止演绎 4.0 国际许可协议](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-nd\u002F4.0\u002Fdeed.zh)，欢迎转载，尊重版权。\n\n![技术视野](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002FyTSKdH.png)\n\n您还可以前往 [NGTE Books](https:\u002F\u002Fng-tech.icu\u002Fbooks-gallery\u002F) 主页浏览包含知识体系、编程语言、软件工程、模式与架构、Web 与大前端、服务端开发实践与工程架构、分布式基础架构、人工智能与深度学习、产品运营与创业等多类目的书籍列表：\n\n![NGTE Books](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002F19uXtI.png)\n\n## Links\n\n- https:\u002F\u002Fgithub.com\u002FKeKe-Li\u002Ftutorial\n- https:\u002F\u002Fgithub.com\u002Ffengdu78\u002FData-Science-Notes\u002Fblob\u002Fmaster\u002FREADME.md\n\n\u003C!-- MARKDOWN LINKS & IMAGES -->\n\u003C!-- https:\u002F\u002Fwww.markdownguide.org\u002Fbasic-syntax\u002F#reference-style-links -->\n\n[contributors-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcontributors\u002Fwx-chevalier\u002FAI-Notes.svg?style=flat-square\n[contributors-url]: https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\u002Fgraphs\u002Fcontributors\n[forks-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fwx-chevalier\u002FAI-Notes.svg?style=flat-square\n[forks-url]: https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\u002Fnetwork\u002Fmembers\n[stars-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fwx-chevalier\u002FAI-Notes.svg?style=flat-square\n[stars-url]: https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\u002Fstargazers\n[issues-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fwx-chevalier\u002FAI-Notes.svg?style=flat-square\n[issues-url]: https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\u002Fissues\n[license-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fwx-chevalier\u002FAI-Notes.svg?style=flat-square\n[license-url]: https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\u002Fblob\u002Fmaster\u002FLICENSE.txt\n","[![贡献者][contributors-shield]][contributors-url]\n[![复刻数][forks-shield]][forks-url]\n[![星标数][stars-shield]][stars-url]\n[![问题数][issues-shield]][issues-url]\n[![许可证：知识共享 署名-非商业性使用-禁止演绎 4.0 国际][license-shield]][license-url]\n\n\u003C!-- 项目Logo -->\n\u003Cbr \u002F>\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\">\n    \u003Cimg src=\"https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002Fheader.svg\" alt=\"Logo\" style=\"width: 100vw;height: 400px\" \u002F>\n    \u003Cimg src=\"https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002F20230222101814.png\" alt=\"Logo\" style=\"height: 400px\" \u002F>\n  \u003C\u002Fa>\n\n  \u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fng-tech.icu\u002Fbooks\u002FAI-Notes\">\u003Cstrong>在线阅读 >> \u003C\u002Fstrong>\u003C\u002Fa>\n    \u003Cbr \u002F>\n    \u003Cbr \u002F>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwx-chevalier\">代码案例\u003C\u002Fa>\n    ·\n       \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAwesome-Lists\">参考资料\u003C\u002Fa>\n\n  \u003C\u002Fp>\n\u003C\u002Fp>\n\n\u003C!-- 关于项目 -->\n\n# AI系列 | 人工智能与深度学习实战\n\n在本系列中，你可能会接触到数据挖掘、机器学习、深度学习、自然语言处理、人工智能等很多的概念。值得说明的是，鉴于很多的算法实现是以文字结合代码介绍为最佳，因此工具实践篇中的大部分内容是以 Juypter Notebook 的形式放在该仓库中，并且在 Colab 中进行浏览、编辑与实验。\n\n![default](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002F611143c55132923bf8ccc10d.png)\n\n# 导航 | Nav\n\n本系列目前分为[机器学习](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FMachineLearning-Notes)、[自然语言处理](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FNLP-Notes)等部分。如果您是新人，建议从[机器学习](.\u002F机器学习)篇开始阅读，也可以在[数理统计](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FMathematics-Notes)篇中夯实理论基础。如果想了解更多实践操作，建议阅读[深度学习](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FDeepLearning-Notes)、[自然语言处理](.\u002F自然语言处理)、[工具与工程化](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Toolkits-Notes)（[TensorFlow Series](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FTensorFlow-Notes)）等部分。\n\n# 前言 | Preface\n\n1956 年，几个计算机科学家相聚在达特茅斯会议，提出了“人工智能”的概念，梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。2012 年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。\n\n![AI 算法大分类](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002F20221225150539.png)\n\n机器学习是一种实现人工智能的方法，机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。机器学习直接来源于早期的人工智能领域，传统的模型算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost 等等。从任务类型上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习和强化学习的等。\n\n- 弱人工智能 Artificial Narrow Intelligence (ANI): 弱人工智能是擅长于单个方面的人工智能。比如有能战胜象棋世界冠军的人工智能，但是它只会下象棋，你要问它怎样更好地在硬盘上储存数据，它就不知道怎么回答你了。\n\n- 强人工智能 Artificial General Intelligence (AGI): 人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多，我们现在还做不到。Linda Gottfredson 教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。\n\n- 超人工智能 Artificial Superintelligence (ASI): 牛津哲学家，知名人工智能思想家 Nick Bostrom 把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。超人工智能也正是为什么人工智能这个话题这么火热的缘故。\n\n## 人工智能与数据科学\n\n![人工智能 Venn 图](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002FwaPjrd.png)\n\n## 人工智能与深度学习\n\n传统的机器学习算法在指纹识别、基于 Haar 的人脸检测、基于 HoG 特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。\n\n![人工智能与深度学习的关系](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002FKBeQG4.png)\n\n深度学习是一种实现机器学习的技术，深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算能力落后，因此最终的效果不尽如人意。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。\n\n## 人工智能的发展阶段\n\n- 第一阶段（20 世纪 50 年代中期到 80 年代初期）：深耕细作，30 年技术发展为人工智能产业化奠定基础。在 1956 年之前，人工智能就已经开始孕育。神经元模型、图灵测试的提出以及 SNARC 神经网络计算机的发明，为人工智能的诞生奠定了基础。1956 年的达特茅斯会议代表人工智能正式诞生和兴起。此后人工智能快速发展，深度学习模型以及 AlphaGo 增强学习的雏形——感知器均在这个阶段得以发明。随后由于早期的系统适用于更宽的问题选择和更难的问题时效果均不理想，因此美国、英国相继缩减经费支持，人工智能进入低谷。\n\n- 第二阶段（20 世纪 80 年代初期至 21 世纪初期）：急功近利，人工智能成功商用但跨越式发展失败。80 年代初期，人工智能逐渐成为产业，第一个成功的商用专家系统 R1 为 DEC 公司每年节约 4000 万美元左右的费用。截止到 20 世纪 80 年代末，几乎一半的“财富 500 强”都在开发或使用“专家系统”。受此鼓励，日本、美国等国家投入巨资开发第 5 代计算机——人工智能计算机。在 90 年代初，IBM、苹果推出的台式机进入普通百姓家庭中，奠定了计算机工业的发展方向。第 5 代计算机由于技术路线明显背离计算机工业的发展方向，项目宣告失败，人工智能再一次进入低谷。尽管如此，浅层学习如支持向量机、Boosting 和最大熵方法等在 90 年代得到了广泛应用。\n\n- 第三阶段（21 世纪初期至今）：量变产生质变，人工智能有望实现规模化应用。摩尔定律和云计算带来的计算能力的提升，以及互联网和大数据广泛应用带来的海量数据量的积累，使得深度学习算法在各行业得到快速应用，并推动语音识别、图像识别等技术快速发展并迅速产业化。2006 年，Geoffrey Hinton 和他的学生在《Science》上提出基于深度信念网络（Deep Belief Networks,DBN）可使用非监督学习的训练算法，使得深度学习在学术界持续升温。2012 年，DNN 技术在图像识别领域的应用使得 Hinton 的学生在 ImageNet 评测中取得了非常好的成绩。深度学习算法的应用使得语音识别、图像识别技术取得了突破性进展，围绕语音、图像、机器人、自动驾驶等人工智能技术的创新创业大量涌现，人工智能迅速进入发展热潮。\n\n不同的模型、策略、算法的搭配，不断地推动着人工智能的发展，其又可以被分为三个阶段：计算智能、感知智能和认知智能。\n\n- 第一阶段的计算智能即快速计算和记忆存储，像机器人战胜围棋大师，靠的就是超强的记忆能力和运算速度。人脑的逻辑能力再强大，也敌不过人工智能每天和自己下几百盘棋，通过强大的计算能力对十几步后的结果做出预测，从这一角度来说，人工智能多次战败世界级围棋选手，足以证明这一领域发展之成熟。\n\n- 第二阶段的感知智能，即让机器拥有视觉、听觉、触觉等感知能力。自动驾驶汽车做的就是这一方面的研究，使机器通过传感器对周围的环境进行感知和处理，从而实现自动驾驶。感知智能方面的技术目前发展比较成熟的领域有语音识别和图像识别，比如做安全领域人脸识别技术的 Face++，以成熟的计算机视觉技术深耕电商、短视频等领域的 Yi+，能够对多种语言进行准确识别翻译的科大讯飞等。\n\n- 第三阶段的认知智能就是让机器拥有自己的认知，能理解会思考。认知智能是目前机器和人差距最大的领域，因为这不仅涉及逻辑和技术，还涉及心理学、哲学和语言学等学科。\n\n# 关于\n\n## 版权及其他 | 延伸阅读\n\n![许可证：知识共享 署名-非商业性使用-禁止演绎 4.0 国际][license-shield] ![](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002FbDm)\n\n笔者所有文章遵循[知识共享 署名-非商业性使用-禁止演绎 4.0 国际许可协议](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-nd\u002F4.0\u002Fdeed.zh)，欢迎转载，尊重版权。\n\n![技术视野](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002FyTSKdH.png)\n\n您还可以前往 [NGTE Books](https:\u002F\u002Fng-tech.icu\u002Fbooks-gallery\u002F) 主页浏览包含知识体系、编程语言、软件工程、模式与架构、Web 与大前端、服务端开发实践与工程架构、分布式基础架构、人工智能与深度学习、产品运营与创业等多类目的书籍列表：\n\n![NGTE Books](https:\u002F\u002Fngte-superbed.oss-cn-beijing.aliyuncs.com\u002Fitem\u002F19uXtI.png)\n\n## 链接\n\n- https:\u002F\u002Fgithub.com\u002FKeKe-Li\u002Ftutorial\n- https:\u002F\u002Fgithub.com\u002Ffengdu78\u002FData-Science-Notes\u002Fblob\u002Fmaster\u002FREADME.md\n\n\u003C!-- Markdown链接与图片 -->\n\u003C!-- https:\u002F\u002Fwww.markdownguide.org\u002Fbasic-syntax\u002F#reference-style-links -->\n\n[contributors-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcontributors\u002Fwx-chevalier\u002FAI-Notes.svg?style=flat-square\n[contributors-url]: https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\u002Fgraphs\u002Fcontributors\n[forks-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fwx-chevalier\u002FAI-Notes.svg?style=flat-square\n[forks-url]: https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\u002Fnetwork\u002Fmembers\n[stars-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fwx-chevalier\u002FAI-Notes.svg?style=flat-square\n[stars-url]: https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\u002Fstargazers\n[issues-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fwx-chevalier\u002FAI-Notes.svg?style=flat-square\n[issues-url]: https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\u002Fissues\n[license-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fwx-chevalier\u002FAI-Notes.svg?style=flat-square\n[license-url]: https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes\u002Fblob\u002Fmaster\u002FLICENSE.txt","# AI-Notes 快速上手指南\n\nAI-Notes 是一个涵盖数据挖掘、机器学习、深度学习及自然语言处理等领域的实战笔记仓库。本系列内容主要以 **Jupyter Notebook** 形式呈现，支持在线浏览、编辑与实验。\n\n## 环境准备\n\n本项目主要依赖 Python 数据科学栈。推荐在本地或云端环境中运行。\n\n### 系统要求\n- 操作系统：Windows \u002F macOS \u002F Linux\n- Python 版本：Python 3.7+\n\n### 前置依赖\n核心依赖包括 `numpy`, `pandas`, `matplotlib`, `scikit-learn`, `tensorflow` 或 `pytorch` 等。\n\n**国内加速建议**：\n在安装依赖时，建议使用清华源或阿里源以提升下载速度。\n```bash\npip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n你可以选择**本地克隆**或**在线运行**两种方式。\n\n### 方式一：本地运行（推荐）\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes.git\n   cd AI-Notes\n   ```\n\n2. **安装依赖**\n   如果项目根目录包含 `requirements.txt`，请执行：\n   ```bash\n   pip install -r requirements.txt\n   ```\n   *注：若不同子目录有独立的依赖文件，请进入对应目录（如 `机器学习` 或 `自然语言处理`）分别安装。*\n\n3. **启动 Jupyter Lab\u002FNotebook**\n   ```bash\n   jupyter lab\n   # 或者\n   jupyter notebook\n   ```\n\n### 方式二：在线运行（无需配置环境）\n\n本项目大部分内容已适配 Google Colab，可直接在浏览器中运行：\n\n1. 访问 [AI-Notes GitHub 仓库](https:\u002F\u002Fgithub.com\u002Fwx-chevalier\u002FAI-Notes)。\n2. 打开任意 `.ipynb` 文件。\n3. 点击顶部的 **\"Open in Colab\"** 按钮（如有），或手动将笔记本上传至 [Google Colab](https:\u002F\u002Fcolab.research.google.com\u002F) 进行编辑和运行。\n\n## 基本使用\n\n本仓库按技术领域划分目录，建议初学者按以下顺序学习：\n\n1. **理论基础**：前往 `数理统计` 或 `机器学习` 目录夯实基础。\n2. **进阶实践**：阅读 `深度学习`、`自然语言处理` 或 `工具与工程化` 目录。\n\n### 运行示例\n\n假设你已启动 Jupyter Lab，请在左侧文件浏览器中导航至目标笔记，例如：\n\n```text\nAI-Notes\u002F\n├── 机器学习\u002F\n│   └── 01-线性回归实战.ipynb\n├── 深度学习\u002F\n│   └── CNN 图像分类.ipynb\n└── ...\n```\n\n双击打开 `01-线性回归实战.ipynb`，依次点击单元格（Cell）并按下 `Shift + Enter` 即可运行代码并查看输出结果。\n\n> **提示**：更多在线阅读内容及详细目录结构，请访问 [AI-Notes 在线文档](https:\u002F\u002Fng-tech.icu\u002Fbooks\u002FAI-Notes)。","某互联网公司的初级算法工程师小李，正负责将传统的推荐系统升级为基于深度学习的模型，急需快速掌握从数学原理到 PyTorch 代码落地的全链路知识。\n\n### 没有 AI-Notes 时\n- **知识碎片化严重**：需要在 GitHub、博客和论文间反复跳转搜索，难以将数理统计基础与具体的深度学习算法逻辑串联起来。\n- **环境配置耗时**：寻找适配 TensorFlow 或 PyTorch 的可运行代码案例困难，常因版本依赖问题在本地环境搭建上浪费数天时间。\n- **理论与实践脱节**：看懂了公式推导却无法转化为代码实现，缺乏像 Jupyter Notebook 这样能即时编辑、调试的交互式学习材料。\n- **学习路径迷茫**：面对海量的 NLP 或机器学习概念，缺乏系统性的导航指引，不知道应该先补数学基础还是直接上手工具实践。\n\n### 使用 AI-Notes 后\n- **体系化知识获取**：直接利用其“数理统计 - 机器学习 - 深度学习”的进阶目录，一站式获取从理论公式到行业应用的完整知识闭环。\n- **开箱即用的实验环境**：直接调用仓库中托管在 Colab 上的 `.ipynb` 文件，无需本地配置即可运行 Scikit-learn 或 PyTorch 的实战代码并修改参数。\n- **代码与文档深度融合**：参考其“文字结合代码”的最佳实践模式，边阅读原理解析边在 Notebook 中复现算法，迅速打通从理论到落地的最后一公里。\n- **清晰的学习导航**：遵循官方推荐的“新人从机器学习篇入手”路径，按需查阅 NLP 或工具工程化章节，高效规划技能成长路线。\n\nAI-Notes 通过提供“理论 + 代码 + 环境”的一站式实战资源，将算法工程师的探索周期从数周缩短至数天，真正实现了从入门到精通的加速跃迁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwx-chevalier_AI-Notes_c2bd8283.png","wx-chevalier","月熊造物 | Lunacrest Maker","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwx-chevalier_e7203404.png","月熊造物（某熊的知识库）：极简且有效的认知，对有价值的内容选择性沉淀，让阅读者在一站内更好地阅读 💫 Just Coder, Travel in the Galaxy 💫博客\u002F公众号：某熊的技术之路","UnionTech","Shanghai","wxchevalier925@gmail.com",null,"https:\u002F\u002Fng-tech.icu","https:\u002F\u002Fgithub.com\u002Fwx-chevalier",[84,88],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",99.9,{"name":89,"color":90,"percentage":91},"HTML","#e34c26",0.1,775,241,"2026-04-20T03:13:10","NOASSERTION",1,"未说明",{"notes":99,"python":97,"dependencies":100},"本项目主要为人工智能与深度学习的学习笔记和代码案例，大部分内容以 Jupyter Notebook 形式提供，建议在 Google Colab 或本地 Jupyter 环境中运行。具体运行环境依赖（如 TensorFlow、PyTorch 等）需参考各个子项目（如 MachineLearning-Notes, DeepLearning-Notes 等）的详细说明。",[85],[36,16,102],"其他",[104,105,106,107,108,109,110],"datascience","machinelearning","deeplearning","neural-network","natural-language-processing","artificial-intelligence","wx-doc","2026-03-27T02:49:30.150509","2026-04-20T21:05:23.887938",[],[]]