[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yacoubb--stock-trading-ml":3,"tool-yacoubb--stock-trading-ml":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":78,"owner_twitter":78,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":23,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":105,"github_topics":106,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":114,"updated_at":115,"faqs":116,"releases":131},1397,"yacoubb\u002Fstock-trading-ml","stock-trading-ml","A stock trading bot that uses machine learning to make price predictions.","stock-trading-ml 是一个基于机器学习的股票交易机器人项目，旨在利用历史数据预测股价走势，辅助制定交易策略。它主要解决了传统人工分析难以高效处理海量市场数据、捕捉复杂价格波动规律的痛点，通过算法模型为投资决策提供量化参考。\n\n该项目非常适合具备一定 Python 基础的开发者、数据科学研究人员以及对量化交易感兴趣的技术爱好者使用。普通投资者若缺乏编程能力，可能需要先学习相关技术栈才能上手。其技术亮点在于整合了 TensorFlow、Keras 和 scikit-learn 等主流深度学习框架，支持用户灵活调整模型架构与数据预处理流程。使用者不仅可以运行预设的基本模型或技术指标模型，还能通过简单的脚本命令获取 Alpha Vantage 的历史行情数据，从头训练属于自己的预测模型，并模拟验证交易算法的效果。作为一个开源项目，它在提供完整训练与回测流程的同时，也鼓励社区协作改进，是探索金融与人工智能结合的优秀实践案例。","# Stock Trading with Machine Learning\n\n## Overview\n\nA stock trading bot that uses machine learning to make price predictions.\n\n## Requirements\n\n-   Python 3.5+\n-   alpha_vantage\n-   pandas\n-   numpy\n-   sklearn\n-   keras\n-   tensorflow\n-   matplotlib\n\n## Documentation\n\n[Blog Post](https:\u002F\u002Fyacoubahmed.me\u002Fblog\u002Fstock-prediction-ml)\n\n[Medium Article](https:\u002F\u002Fmedium.com\u002Ftowards-data-science\u002Fgetting-rich-quick-with-machine-learning-and-stock-market-predictions-696802da94fe)\n\n## Train your own model\n\n1. Clone the repo\n2. Pip install the requirements `pip install -r requirements.txt`\n3. Save the stock price history to a csv file `python save_data_to_csv.py --help`\n4. Edit one of the model files to accept the symbol you want\n5. Edit model architecture\n6. Edit dataset preprocessing \u002F history_points inside util.py\n7. Train the model `python tech_ind_model.py` or `python basic_model.py`\n8. Try the trading algorithm on the newly saved model `python trading_algo.py`\n\n## License\n\n[GPL-3.0](https:\u002F\u002Fwww.gnu.org\u002Flicenses\u002Fquick-guide-gplv3.html)\n","# 用机器学习进行股票交易\n\n## 概述\n\n一款利用机器学习进行价格预测的股票交易机器人。\n\n## 需求\n\n- Python 3.5+\n- Alpha Vantage\n- Pandas\n- NumPy\n- Scikit-learn\n- Keras\n- TensorFlow\n- Matplotlib\n\n## 文档\n\n[博客文章](https:\u002F\u002Fyacoubahmed.me\u002Fblog\u002Fstock-prediction-ml)\n\n[Medium 文章](https:\u002F\u002Fmedium.com\u002Ftowards-data-science\u002Fgetting-rich-quick-with-machine-learning-and-stock-market-predictions-696802da94fe)\n\n## 训练自己的模型\n\n1. 克隆代码库\n2. 使用 `pip install -r requirements.txt` 安装所有依赖项\n3. 将股票价格历史数据保存为 CSV 文件：`python save_data_to_csv.py --help`\n4. 修改其中一个模型文件，使其能够接受您想要使用的股票代码\n5. 修改模型架构\n6. 在 util.py 中编辑数据预处理和历史数据点的相关代码\n7. 训练模型：`python tech_ind_model.py` 或 `python basic_model.py`\n8. 在新保存的模型上试用交易算法：`python trading_algo.py`\n\n## 许可证\n\n[GPL-3.0](https:\u002F\u002Fwww.gnu.org\u002Flicenses\u002Fquick-guide-gplv3.html)","# stock-trading-ml 快速上手指南\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**：支持 Python 3.5+ 的系统（Linux, macOS, Windows）\n*   **Python 版本**：Python 3.5 或更高版本\n*   **核心依赖库**：\n    *   `alpha_vantage` (获取股票数据)\n    *   `pandas`, `numpy` (数据处理)\n    *   `sklearn` (机器学习工具)\n    *   `keras`, `tensorflow` (深度学习框架)\n    *   `matplotlib` (数据可视化)\n\n> **提示**：国内开发者建议使用清华源或阿里源加速 pip 包安装，以提升下载速度。\n\n## 安装步骤\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone \u003Crepository-url>\n    cd stock-trading-ml\n    ```\n    *(请将 `\u003Crepository-url>` 替换为实际的仓库地址)*\n\n2.  **安装依赖包**\n    推荐使用国内镜像源进行安装：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n以下是训练模型并运行交易算法的最简流程：\n\n1.  **获取股票历史数据**\n    运行脚本将股价历史保存为 CSV 文件（查看帮助以了解参数）：\n    ```bash\n    python save_data_to_csv.py --help\n    ```\n    *执行具体命令获取数据，例如：*\n    ```bash\n    python save_data_to_csv.py --symbol AAPL\n    ```\n\n2.  **配置模型与数据**\n    *   编辑模型文件（如 `tech_ind_model.py` 或 `basic_model.py`），修改为目标股票代码。\n    *   根据需要调整模型架构。\n    *   编辑 `util.py` 文件，调整数据集预处理逻辑或 `history_points` 参数。\n\n3.  **训练模型**\n    选择以下任一脚本开始训练：\n    ```bash\n    python tech_ind_model.py\n    # 或者\n    python basic_model.py\n    ```\n\n4.  **运行交易算法**\n    使用新训练的模型测试交易策略：\n    ```bash\n    python trading_algo.py\n    ```\n\n> **注意**：本项目仅供学习和研究使用，不构成任何投资建议。股市有风险，入市需谨慎。","一位个人量化交易者试图在波动剧烈的科技股市场中，通过历史数据寻找高胜率的买卖点以实现自动化交易。\n\n### 没有 stock-trading-ml 时\n- 依赖简单的移动平均线或人工经验判断趋势，难以捕捉非线性的复杂价格形态，导致误判率高。\n- 需要手动编写繁琐的数据清洗代码来对接 Alpha Vantage 等接口，每次更新数据都耗费大量时间。\n- 缺乏系统的回测框架，无法验证策略在历史行情中的真实表现，实盘操作如同“盲人摸象”。\n- 面对海量技术指标不知如何组合，只能凭感觉调整参数，缺乏机器学习模型的自适应优化能力。\n- 可视化分析零散且滞后，无法直观看到模型预测价格与实际走势的偏差，迭代优化无从下手。\n\n### 使用 stock-trading-ml 后\n- 利用内置的 Keras 和 TensorFlow 深度学习架构，自动提取高阶特征并预测股价，显著提升了趋势判断的准确性。\n- 通过一键运行 `save_data_to_csv.py` 脚本，快速完成历史数据的获取与预处理，将数据准备时间从数小时缩短至几分钟。\n- 直接调用 `trading_algo.py` 在新训练的模型上进行策略回测，用量化数据评估盈亏比，让每一次实盘决策都有据可依。\n- 灵活编辑 `util.py` 和模型文件，轻松尝试不同的技术指标组合与网络结构，让策略随市场风格动态进化。\n- 借助 Matplotlib 自动生成预测对比图表，清晰展示模型对关键转折点的捕捉能力，大幅降低了策略调优的门槛。\n\nstock-trading-ml 将复杂的机器学习流程封装为可执行的标准化步骤，让个人开发者也能低成本构建具备自我进化能力的智能交易机器人。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyacoubb_stock-trading-ml_acb7d465.png","yacoubb","Yacoub Ahmed","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyacoubb_127922cd.png",null,"@Cynomi ","London","yacoubahmed.me","https:\u002F\u002Fgithub.com\u002Fyacoubb",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,664,255,"2026-04-03T00:12:28","GPL-3.0","","未说明",{"notes":95,"python":96,"dependencies":97},"README 未明确指定操作系统、GPU 及内存需求。该项目基于 TensorFlow 和 Keras，若使用 GPU 加速通常需额外配置 NVIDIA CUDA 环境，但文中未提及具体版本要求。使用前需通过 alpha_vantage 获取股票历史数据并保存为 CSV 文件。","3.5+",[98,99,100,101,102,103,104],"alpha_vantage","pandas","numpy","sklearn","keras","tensorflow","matplotlib",[13],[107,108,109,110,111,112,113],"stock-trading","machine-learning","price-predictions","neural-network","deep-learning","time-series","lstm","2026-03-27T02:49:30.150509","2026-04-06T07:14:49.028561",[117,122,127],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},6416,"如何在 Jupyter Notebook 中修复 'set_random_seed' 无法导入的问题？","在较新版本的 TensorFlow 中，`set_random_seed` 的导入方式已更改。请将代码：\n`from tensorflow import set_random_seed`\n`set_random_seed(4)`\n替换为：\n`import tensorflow`\n`tensorflow.random.set_seed(4)`","https:\u002F\u002Fgithub.com\u002Fyacoubb\u002Fstock-trading-ml\u002Fissues\u002F9",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},6418,"运行 save_data_to_csv.py 时提示缺少 'symbol' 和 'time_window' 参数怎么办？","该脚本需要通过命令行参数传入股票代码和时间窗口类型，不能直接运行。\n请使用以下格式运行命令：\n`python save_data_to_csv.py \u003C股票代码> \u003C时间窗口类型>`\n其中 `\u003C时间窗口类型>` 必须是以下三者之一：\n- intraday（日内数据）\n- daily（每日数据）\n- daily_adj（每日调整数据）\n例如：`python save_data_to_csv.py MSFT daily`","https:\u002F\u002Fgithub.com\u002Fyacoubb\u002Fstock-trading-ml\u002Fissues\u002F26",{"id":128,"question_zh":129,"answer_zh":130,"source_url":121},6417,"训练时出现 'loss: nan' 且 CPU 警告信息是什么意思？","日志中出现的 'Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2' 警告通常表明当前的 TensorFlow 二进制文件未针对您的 CPU 指令集优化，这可能导致性能问题或计算错误（如 loss 变为 nan）。\n建议解决方案：\n1. 如果拥有支持的 GPU，请配置系统使用 GPU 运行。\n2. 参考相关讨论（如 StackOverflow），尝试安装针对特定 CPU 优化的 TensorFlow 版本或使用源码编译。",[]]