[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ytzfhqs--AAAMLP-CN":3,"tool-ytzfhqs--AAAMLP-CN":61},[4,18,26,36,44,53],{"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":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"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",148568,2,"2026-04-09T23:34:24",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","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。\n\n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。\n\n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",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"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":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":76,"difficulty_score":86,"env_os":87,"env_gpu":87,"env_ram":87,"env_deps":88,"category_tags":91,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":93,"updated_at":94,"faqs":95,"releases":136},6035,"ytzfhqs\u002FAAAMLP-CN","AAAMLP-CN","Approaching (Almost) Any Machine Learning Problem中译版，在线文档地址：https:\u002F\u002Fytzfhqs.github.io\u002FAAAMLP-CN\u002F","AAAMLP-CN 是 Kaggle 传奇大神 Abhishek Thakur 经典著作《Approaching (Almost) Any Machine Learning Problem》的完整中文译本。它系统性地梳理了一套通用的机器学习解决框架，旨在帮助从业者高效应对各类数据科学挑战。\n\n该项目解决了机器学习入门门槛高、缺乏系统化实战方法论的痛点。内容涵盖从环境准备、模型评估、特征工程与选择，到超参数优化、图像与文本处理，以及模型堆叠等核心环节，将复杂的算法理论转化为可落地的代码实践。由于原著部分章节较为基础，译本进行了针对性筛选，专注于最具价值的实战策略。\n\nAAAMLP-CN 特别适合数据科学家、机器学习工程师、算法研究人员以及希望提升竞赛水平的开发者阅读。无论是需要构建稳健工业级模型的专业人士，还是渴望在 Kaggle 等平台上突破瓶颈的竞赛选手，都能从中获得宝贵经验。\n\n其独特亮点在于不仅提供了高质量的全文翻译，还配套了便捷的在线阅读网站和 EPUB 电子书版本，支持随时随地查阅。项目保持开源协作模式，欢迎社区通过 Issue 或 Pull Request 共同修正完善，确","AAAMLP-CN 是 Kaggle 传奇大神 Abhishek Thakur 经典著作《Approaching (Almost) Any Machine Learning Problem》的完整中文译本。它系统性地梳理了一套通用的机器学习解决框架，旨在帮助从业者高效应对各类数据科学挑战。\n\n该项目解决了机器学习入门门槛高、缺乏系统化实战方法论的痛点。内容涵盖从环境准备、模型评估、特征工程与选择，到超参数优化、图像与文本处理，以及模型堆叠等核心环节，将复杂的算法理论转化为可落地的代码实践。由于原著部分章节较为基础，译本进行了针对性筛选，专注于最具价值的实战策略。\n\nAAAMLP-CN 特别适合数据科学家、机器学习工程师、算法研究人员以及希望提升竞赛水平的开发者阅读。无论是需要构建稳健工业级模型的专业人士，还是渴望在 Kaggle 等平台上突破瓶颈的竞赛选手，都能从中获得宝贵经验。\n\n其独特亮点在于不仅提供了高质量的全文翻译，还配套了便捷的在线阅读网站和 EPUB 电子书版本，支持随时随地查阅。项目保持开源协作模式，欢迎社区通过 Issue 或 Pull Request 共同修正完善，确保内容的准确性与时效性。这是一份免费且极具参考价值的中文机器学习实战指南。","# AAAMLP-CN\r\n## 新特性\r\n### 2023.10.25\r\n - 😎完成全部翻译\r\n - 📝计划对kaggle游乐园系列优秀解决方案代码进行解析\r\n### 2023.09.07\r\n - ⚡修正部分已知文字错误和代码错误\r\n - 🤗添加[在线阅读网站](https:\u002F\u002Fytzfhqs.github.io\u002FAAAMLP-CN\u002F) 并提供 [EPUB 版本](https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Freleases\u002Fdownload\u002Fv1.0.0\u002FAAAMLP.epub)\r\n\r\n## 简介\r\nAbhishek Thakur，很多 kaggler 对他都非常熟悉，2017 年，他在 Linkedin 发表了一篇名为**Approaching (Almost) Any Machine Learning Problem**的文章，介绍他建立的一个自动的机器学习框架，几乎可以解决任何机器学习问题，这篇文章曾火遍 Kaggle。\r\n\r\nAbhishek 在 Kaggle 上的成就：\r\n\r\n- Competitions Grandmaster（17 枚金牌，世界排名第 3）\r\n- Kernels Expert （Kagglers 排名前 1％）\r\n- Discussion Grandmaster（65 枚金牌，世界排名第 2）\r\n\r\n目前，Abhishek 在挪威 boost 公司担任首席数据科学家的职位，这是一家专门从事会话人工智能的软件公司。\r\n\r\n本文对**Approaching (Almost) Any Machine Learning Problem**进行了**中文翻译**，由于本人水平有限，且未使用机器翻译，可能有部分言语不通顺或本土化程度不足，也请大家在阅读过程中多提供宝贵意见。另附上书籍原[项目地址](https:\u002F\u002Fgithub.com\u002Fabhishekkrthakur\u002Fapproachingalmost)，**转载请一定标明出处！**\r\n\r\n本项目**支持在线阅读**，方便您随时随地进行查阅。\r\n\r\n因为有几章内容太过基础，所以未进行翻译，详细情况请参照书籍目录：\r\n\r\n- **准备环境（已翻译）**\r\n- **无监督和有监督学习（已翻译）**\r\n- **交叉检验（已翻译）**\r\n- **评估指标（已翻译）** -\r\n- **组织机器学习（已翻译）**\r\n- **处理分类变量（已翻译）**\r\n- **特征工程（已翻译）**\r\n- **特征选择（已翻译）**\r\n- **超参数优化（已翻译）**\r\n- **图像分类和分割方法（已翻译）**\r\n- **文本分类或回归方法（已翻译）**\r\n- **组合和堆叠方法（已翻译）**\r\n- **可重复代码和模型方法（已翻译）**\r\n\r\n我将会把完整的翻译版 `Markdown` 文件上传到 GitHub，以供大家免费下载和阅读。为了最佳的阅读体验，推荐使用 PDF 格式或是在线阅读进行查看\r\n\r\n若您在阅读过程中发现任何错误或不准确之处，非常欢迎通过提交 Issue 或 Pull Request 来协助我进行修正。\r\n\r\n如果您觉得这个项目对您有帮助，请不吝给予 Star 或者进行关注。\r\n\r\n","# AAAMLP-CN\r\n## 新特性\r\n### 2023.10.25\r\n - 😎完成全部翻译\r\n - 📝计划对kaggle游乐园系列优秀解决方案代码进行解析\r\n### 2023.09.07\r\n - ⚡修正部分已知文字错误和代码错误\r\n - 🤗添加[在线阅读网站](https:\u002F\u002Fytzfhqs.github.io\u002FAAAMLP-CN\u002F) 并提供 [EPUB 版本](https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Freleases\u002Fdownload\u002Fv1.0.0\u002FAAAMLP.epub)\r\n\r\n## 简介\r\nAbhishek Thakur，很多 kaggler 对他都非常熟悉，2017 年，他在 Linkedin 发表了一篇名为**Approaching (Almost) Any Machine Learning Problem**的文章，介绍他建立的一个自动的机器学习框架，几乎可以解决任何机器学习问题，这篇文章曾火遍 Kaggle。\r\n\r\nAbhishek 在 Kaggle 上的成就：\r\n\r\n- Competitions Grandmaster（17 枚金牌，世界排名第 3）\r\n- Kernels Expert （Kagglers 排名前 1％）\r\n- Discussion Grandmaster（65 枚金牌，世界排名第 2）\r\n\r\n目前，Abhishek 在挪威 boost 公司担任首席数据科学家的职位，这是一家专门从事会话人工智能的软件公司。\r\n\r\n本文对**Approaching (Almost) Any Machine Learning Problem**进行了**中文翻译**，由于本人水平有限，且未使用机器翻译，可能有部分言语不通顺或本土化程度不足，也请大家在阅读过程中多提供宝贵意见。另附上书籍原[项目地址](https:\u002F\u002Fgithub.com\u002Fabhishekkrthakur\u002Fapproachingalmost)，**转载请一定标明出处！**\r\n\r\n本项目**支持在线阅读**，方便您随时随地进行查阅。\r\n\r\n因为有几章内容太过基础，所以未进行翻译，详细情况请参照书籍目录：\r\n\r\n- **准备环境（已翻译）**\r\n- **无监督和有监督学习（已翻译）**\r\n- **交叉检验（已翻译）**\r\n- **评估指标（已翻译）** -\r\n- **组织机器学习（已翻译）**\r\n- **处理分类变量（已翻译）**\r\n- **特征工程（已翻译）**\r\n- **特征选择（已翻译）**\r\n- **超参数优化（已翻译）**\r\n- **图像分类和分割方法（已翻译）**\r\n- **文本分类或回归方法（已翻译）**\r\n- **组合和堆叠方法（已翻译）**\r\n- **可重复代码和模型方法（已翻译）**\r\n\r\n我将会把完整的翻译版 `Markdown` 文件上传到 GitHub，以供大家免费下载和阅读。为了最佳的阅读体验，推荐使用 PDF 格式或是在线阅读进行查看\r\n\r\n若您在阅读过程中发现任何错误或不准确之处，非常欢迎通过提交 Issue 或 Pull Request 来协助我进行修正。\r\n\r\n如果您觉得这个项目对您有帮助，请不吝给予 Star 或者进行关注。","# AAAMLP-CN 快速上手指南\n\nAAAMLP-CN 是 Abhishek Thakur 经典著作《Approaching (Almost) Any Machine Learning Problem》的中文翻译项目，旨在帮助开发者系统掌握机器学习全流程。本项目主要提供文档阅读与代码参考，无需复杂安装即可开始学习。\n\n## 环境准备\n\n本项目核心内容为 Markdown 文档、PDF 及 EPUB 格式的书籍译文，配套代码基于 Python 生态。\n\n- **操作系统**：Windows \u002F macOS \u002F Linux 均可\n- **前置依赖**：\n  - 现代浏览器（推荐 Chrome 或 Edge，用于在线阅读）\n  - Python 3.8+（若需运行书中示例代码）\n  - 基础机器学习库（运行代码时建议安装）：\n    ```bash\n    pip install pandas numpy scikit-learn matplotlib seaborn\n    ```\n\n> 💡 **提示**：国内用户建议使用清华源或阿里源加速依赖安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple pandas numpy scikit-learn matplotlib seaborn\n> ```\n\n## 安装步骤\n\n本项目无需传统“安装”，可通过以下三种方式获取内容：\n\n### 方式一：在线阅读（推荐）\n直接访问官方部署的在线站点，无需本地配置：\n```text\nhttps:\u002F\u002Fytzfhqs.github.io\u002FAAAMLP-CN\u002F\n```\n\n### 方式二：下载电子书\n从 GitHub Releases 页面下载 EPUB 版本，导入任意阅读器（如 Calibre、Apple Books）：\n```text\nhttps:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Freleases\u002Fdownload\u002Fv1.0.0\u002FAAAMLP.epub\n```\n\n### 方式三：克隆源码（适合开发者）\n如需本地查看 Markdown 源码或运行示例代码，请克隆仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN.git\ncd AAAMLP-CN\n```\n\n> 🚀 **国内加速**：若克隆速度较慢，可使用 Gitee 镜像（如有）或通过代理加速，或直接下载 ZIP 包解压。\n\n## 基本使用\n\n### 场景一：快速查阅知识点\n打开浏览器访问 [在线阅读网站](https:\u002F\u002Fytzfhqs.github.io\u002FAAAMLP-CN\u002F)，在左侧导航栏选择对应章节（如“特征工程”、“超参数优化”），即可实时阅读中文译文。\n\n### 场景二：运行示例代码\n假设你已克隆项目并安装了依赖，进入包含代码的章节目录（以特征处理为例）：\n\n```bash\ncd AAAMLP-CN\u002Fchapters\u002F06-handling-categorical-variables\npython example_code.py\n```\n\n> ⚠️ 注意：部分章节因内容过于基础未翻译，请参考原书目录确认内容完整性。所有代码均保留英文注释与变量名，确保与原书一致。\n\n### 场景三：离线阅读\n将下载的 `AAAMLP.epub` 文件传输至手机、平板或电子阅读器，随时随地学习机器学习方法论。\n\n---\n\n📌 **贡献与支持**：发现翻译错误或代码问题？欢迎提交 Issue 或 Pull Request 至 GitHub 仓库。觉得有用请给予 Star 支持！","某电商数据团队正面临构建用户流失预测模型的紧迫任务，需要在有限时间内从杂乱的业务数据中提炼出高可用特征并产出稳定模型。\n\n### 没有 AAAMLP-CN 时\n- 团队成员需反复查阅零散的英文技术博客和论坛帖子，难以系统掌握 Abhishek Thakur 等顶级 Kaggle 选手的完整解题思路。\n- 在处理分类变量和特征工程时，缺乏标准化的最佳实践指导，导致大量时间浪费在试错和低效的特征组合上。\n- 面对复杂的模型堆叠（Stacking）和交叉验证策略，新手成员容易陷入理论误区，造成模型过拟合或评估指标虚高。\n- 代码复现困难，缺乏经过验证的参考实现，项目进度严重依赖个别资深员工的个人经验，知识传承断层。\n\n### 使用 AAAMLP-CN 后\n- 团队直接通过在线阅读网站或 EPUB 版本，系统化学习已翻译完整的机器学习框架，快速吸收世界排名前三的大师级方法论。\n- 依据书中“处理分类变量”和“特征工程”章节的成熟方案，迅速建立起规范的特征处理流程，显著提升了特征质量和开发效率。\n- 参照“组合和堆叠方法”及“交叉检验”章节的详细解析，构建了稳健的模型架构，有效避免了过拟合，确保了评估指标的真实可靠。\n- 利用书中提供的可重复代码方法和逻辑指引，团队成员能快速上手并统一代码风格，降低了协作门槛，实现了技术能力的快速拉齐。\n\nAAAMLP-CN 将顶尖竞赛专家的经验转化为中文实战指南，帮助团队大幅缩短从问题定义到模型落地的探索周期。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fytzfhqs_AAAMLP-CN_204b8277.png","ytzfhqs","QingSong Hao","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fytzfhqs_aa417c8d.jpg",null,"https:\u002F\u002Fgithub.com\u002Fytzfhqs",[79],{"name":80,"color":81,"percentage":82},"Jupyter Notebook","#DA5B0B",100,1955,264,"2026-04-09T13:39:00",1,"未说明",{"notes":89,"python":87,"dependencies":90},"本项目为《Approaching (Almost) Any Machine Learning Problem》的中文翻译文档（Markdown\u002FEPUB\u002FPDF 格式），并非可执行的软件工具或代码库，因此无特定的操作系统、GPU、内存或 Python 版本依赖。用户可通过在线阅读网站或直接下载文档进行阅读。原书项目地址涉及机器学习代码，但本仓库主要提供翻译后的文本内容。",[],[14,92],"其他","2026-03-27T02:49:30.150509","2026-04-10T07:46:34.868259",[96,101,106,111,116,121,126,131],{"id":97,"question_zh":98,"answer_zh":99,"source_url":100},27329,"如何在线阅读或预览文档？","您可以访问项目的在线文档站点进行阅读：https:\u002F\u002Fytzfhqs.github.io\u002FAAAMLP-CN\u002F。该站点提供了比 PDF 更稳定的浏览体验，且无需本地配置即可随时查看最新内容。","https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Fissues\u002F2",{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},27330,"GitHub 上预览 PDF 文件显示\"invalid pdf\"怎么办？","GitHub 目前暂时不支持直接预览该项目中的 PDF 文件。解决方法有两种：1. 克隆项目到本地后打开 PDF；2. 使用项目提供的在线阅读站点：https:\u002F\u002Fytzfhqs.github.io\u002FAAAMLP-CN\u002F。","https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Fissues\u002F14",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},27331,"在哪里可以找到项目的环境配置文件（environment.yml）？","本汉化项目的环境配置文件位于原始英文项目仓库中。请访问以下链接获取：https:\u002F\u002Fgithub.com\u002Fabhishekkrthakur\u002Fapproachingalmost\u002Fblob\u002Fmaster\u002Fenvironment.yml","https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Fissues\u002F6",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},27332,"如何本地搭建并美化类似的在线文档站点？","本项目使用的是 MkDocs Material 主题。搭建步骤如下：\n1. 参考主题官网：https:\u002F\u002Fsquidfunk.github.io\u002Fmkdocs-material\u002Fgetting-started\u002F\n2. 克隆本仓库并安装依赖：pip install -r requirements.txt\n3. 本地预览效果：运行命令 mkdocs serve\n4. 修改 mkdocs.yml 配置文件即可自定义样式。\n注：.github\u002Fworkflows 目录包含了自动化部署到 GitHub Pages 的配置。","https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Fissues\u002F3",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},27333,"如何获取 EPUB 格式的电子书？","EPUB 版本已经发布并合并到主分支中。您可以在仓库的文件列表或 Release 页面中找到生成的 EPUB 文件，或者查看提交记录 58a3362d8568384b80e6e71002821159329a5dbd 获取相关资源。","https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Fissues\u002F4",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},27334,"图像和文本章节的翻译进度如何？","截至 2023 年 10 月 25 日，全书（包括图像和文本章节）的翻译工作已经完成。请切换到 master 分支查看完整内容。","https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Fissues\u002F5",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},27335,"评估指标章节中 AccuracyScore 公式对应的中文术语是“精确率”还是“准确率”？","这是一个翻译错误，已修复。公式 AccuracyScore=(TP+TN)\u002F(TP+TN+FP+FN) 对应的正确中文术语应该是“准确率”，而非“精确率”（Precision）。","https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Fissues\u002F11",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},27336,"R^2 决定系数的公式分母部分是否有误？","是的，原文档中 R^2 公式的分母缺少平方项，已修复。正确的公式应为：R^2 = 1 - [Σ(y_ti - y_pi)^2] \u002F [Σ(y_ti - y_t_mean)^2]。分母中的 (y_ti - y_t_mean) 需要平方。","https:\u002F\u002Fgithub.com\u002Fytzfhqs\u002FAAAMLP-CN\u002Fissues\u002F16",[137],{"id":138,"version":139,"summary_zh":140,"released_at":141},180461,"v1.0.0","发布 v1.0.0\n\n## Bug修复\n - 修正了文档中的部分代码错误\n - 修正了文档文字描述中的错别字\n - 更新了PDF文件\n\n## 新特性\n - 新增在线文档，[文档页面](https:\u002F\u002Fytzfhqs.github.io\u002FAAAMLP-CN\u002F)\n\n## 致谢\n - 非常感谢 @Nagi-ovo对本项目的支持，几乎独立完成了在线文档的搭建。同时提出了部分文字和代码问题，再次感谢。","2023-09-07T01:26:24"]