[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yuanxiaosc--Machine-Learning-Book":3,"tool-yuanxiaosc--Machine-Learning-Book":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",158594,2,"2026-04-16T23:34:05",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":79,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":106},8312,"yuanxiaosc\u002FMachine-Learning-Book","Machine-Learning-Book","《机器学习宝典》包含：谷歌机器学习速成课程（招式）+机器学习术语表（口诀）+机器学习规则（心得）+机器学习中的常识性问题 （内功）。该资源适用于机器学习、深度学习研究人员和爱好者参考！","Machine-Learning-Book 是一部专为机器学习爱好者与从业者打造的综合性学习宝典。它并非单一的软件工具，而是一套精心整理的开源知识体系，旨在解决初学者在面对海量算法概念时“入门难、体系乱、实践弱”的痛点。\n\n该资源巧妙地将谷歌官方权威教程与本土化深度总结相结合，构建了从基础到精通的完整学习路径。其核心亮点在于独特的“武功秘籍”式分类法：通过“招式”（谷歌机器学习速成课程）配合实战代码，帮助用户掌握房价预测、手写识别等实际应用；利用“彩图版知识点”将偏差方差权衡等抽象理论可视化，降低理解门槛；借助“口诀”（术语表）和“心得”（工程规则）夯实理论基础并汲取大厂最佳实践；最后通过“内功”（常识性问题）系统梳理评价指标等关键细节，确保知识无死角。\n\n无论是刚接触人工智能的学生、希望系统提升的研究人员，还是寻求工程落地的开发者，都能从中找到适合自己的进阶方案。Machine-Learning-Book 以图文并茂的形式和结构化的内容编排，让枯燥的算法学习变得生动高效，是通往机器学习领域不可或缺的案头参考。","# Machine-Learning-Book\n[Machine-Learning-Book（机器学习宝典）](https:\u002F\u002Fgithub.com\u002Fyuanxiaosc\u002FMachine-Learning-Book)涵盖了从机器学习从入门到精通所需的所有必备知识。\n\n1. 其中《[机器学习知识点彩图版.pdf](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002F机器学习知识点彩图版.pdf)》以生动形象的图片描述机器学习中的知识点。\n2. 其中《[Google机器学习速成课程.pdf](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002FGoogle机器学习速成课程.pdf)》以加利福尼亚房价预测为线索，讲解了机器学习概念、特征工程以及机器学习在现实世界的应用。该课程有对应知识点的习题和解答，你可以随时检测自己的学习效果。\n3. 其中《[机器学习中的常识性问题 (最新网页版)](https:\u002F\u002Fyuanxiaosc.github.io\u002F2019\u002F08\u002F16\u002F机器学习中的常识性问题\u002F)》 ， 该文系统性总结了机器学习基础知识。比如你了解机器学习中常见的二分类问题评价指标：混淆矩阵、准确率、精确率、召回率、敏感性、特异性、AUC、ROC以及它们之间的关系吗？（答案见文末）\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyuanxiaosc_Machine-Learning-Book_readme_2ec048836283.png)\n\u003Ccenter>机器学习彩图版-偏差和方差的权衡\u003C\u002Fcenter>\n\n## 机器学习宝典内容汇总\n百度网盘打包下载本资源：\n+ 链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1OLscfquhYKOuN7X-QVqQNA\n+ 提取码：6g4l\n\n|标签|名称|说明|\n|-|-|-|\n|养兴趣|[机器学习知识点彩图版.pdf](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002F机器学习知识点彩图版.pdf)|以生动形象的图片描述机器学习中的知识点。|\n|练招式|完整版[Google机器学习速成课程.md](Google机器学习速成课程.md) or [Google机器学习速成课程.pdf](PDF\u002FGoogle机器学习速成课程.pdf) and [谷歌机器学习速成课程-配套TensorFlow代码](Google机器学习速成课程Code)|本文讲解了机器学习概念、特征工程以及机器学习在现实世界的应用。解决了：加利福利亚房价预测问题（回归问题）+分类问题+手写字体识别问题|\n|口诀|[机器学习术语表（PDF）](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002F机器学习术语表GoogleDevelopers.pdf) or [机器学习术语表（网页版）]( https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fglossary\u002F ) |本术语表中列出了一般的机器学习术语和 TensorFlow 专用术语的定义。|\n|心得|[机器学习规则（PDF）](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002F机器学习规则GoogleDevelopers.pdf) or [机器学习规则（网页版）]( https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fguides\u002Frules-of-ml\u002F ) |本文档旨在帮助已掌握机器学习基础知识的人员从 Google 机器学习的最佳实践（经验）中受益。|\n|练内功|[机器学习中的常识性问题（PDF）](PDF\u002F机器学习中的常识性问题_望江人工智库.pdf) or [机器学习中的常识性问题 (最新网页版)](https:\u002F\u002Fyuanxiaosc.github.io\u002F2019\u002F08\u002F16\u002F机器学习中的常识性问题\u002F)| 系统性深入学习机器学习。机器学习中的常识性问题定义：作为一名合格的机器学习从业人员必须理解的机器学习领域的常识性问题。|\n\n## 开始学习 练招式\n\n点击开始学习完整版 [Google机器学习速成课程.md](Google机器学习速成课程.md)，也可以下载完整版[Google机器学习速成课程.pdf](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002FGoogle机器学习速成课程.pdf)。\n\n\n## 学习进阶 练内功\n机器学习中的常识性问题定义：作为一名合格的机器学习从业人员必须理解的机器学习领域的常识性问题。\n\n点击开始学习 [机器学习中的常识性问题](https:\u002F\u002Fyuanxiaosc.github.io\u002F2019\u002F08\u002F16\u002F机器学习中的常识性问题\u002F)\n\n机器学习中常见的二分类问题评价指标：混淆矩阵、准确率、精确率、召回率、敏感性、特异性、AUC、ROC以及它们之间的关系吗？\n\n答案：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyuanxiaosc_Machine-Learning-Book_readme_dccb830291ab.png)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyuanxiaosc_Machine-Learning-Book_readme_15740af610f4.png)\n","# 机器学习宝典\n[机器学习宝典（Machine-Learning-Book）](https:\u002F\u002Fgithub.com\u002Fyuanxiaosc\u002FMachine-Learning-Book)涵盖了从机器学习从入门到精通所需的所有必备知识。\n\n1. 其中《[机器学习知识点彩图版.pdf](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002F机器学习知识点彩图版.pdf)》以生动形象的图片描述机器学习中的知识点。\n2. 其中《[Google机器学习速成课程.pdf](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002FGoogle机器学习速成课程.pdf)》以加利福尼亚房价预测为线索，讲解了机器学习概念、特征工程以及机器学习在现实世界的应用。该课程有对应知识点的习题和解答，你可以随时检测自己的学习效果。\n3. 其中《[机器学习中的常识性问题 (最新网页版)](https:\u002F\u002Fyuanxiaosc.github.io\u002F2019\u002F08\u002F16\u002F机器学习中的常识性问题\u002F)》 ， 该文系统性总结了机器学习基础知识。比如你了解机器学习中常见的二分类问题评价指标：混淆矩阵、准确率、精确率、召回率、敏感性、特异性、AUC、ROC以及它们之间的关系吗？（答案见文末）\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyuanxiaosc_Machine-Learning-Book_readme_2ec048836283.png)\n\u003Ccenter>机器学习彩图版-偏差和方差的权衡\u003C\u002Fcenter>\n\n## 机器学习宝典内容汇总\n百度网盘打包下载本资源：\n+ 链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1OLscfquhYKOuN7X-QVqQNA\n+ 提取码：6g4l\n\n|标签|名称|说明|\n|-|-|-|\n|养兴趣|[机器学习知识点彩图版.pdf](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002F机器学习知识点彩图版.pdf)|以生动形象的图片描述机器学习中的知识点。|\n|练招式|完整版[Google机器学习速成课程.md](Google机器学习速成课程.md) or [Google机器学习速成课程.pdf](PDF\u002FGoogle机器学习速成课程.pdf) and [谷歌机器学习速成课程-配套TensorFlow代码](Google机器学习速成课程Code)|本文讲解了机器学习概念、特征工程以及机器学习在现实世界的应用。解决了：加利福利亚房价预测问题（回归问题）+分类问题+手写字体识别问题|\n|口诀|[机器学习术语表（PDF）](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002F机器学习术语表GoogleDevelopers.pdf) or [机器学习术语表（网页版）]( https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fglossary\u002F ) |本术语表中列出了一般的机器学习术语和 TensorFlow 专用术语的定义。|\n|心得|[机器学习规则（PDF）](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002F机器学习规则GoogleDevelopers.pdf) or [机器学习规则（网页版）]( https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fguides\u002Frules-of-ml\u002F ) |本文档旨在帮助已掌握机器学习基础知识的人员从 Google 机器学习的最佳实践（经验）中受益。|\n|练内功|[机器学习中的常识性问题（PDF）](PDF\u002F机器学习中的常识性问题_望江人工智库.pdf) or [机器学习中的常识性问题 (最新网页版)](https:\u002F\u002Fyuanxiaosc.github.io\u002F2019\u002F08\u002F16\u002F机器学习中的常识性问题\u002F)| 系统性深入学习机器学习。机器学习中的常识性问题定义：作为一名合格的机器学习从业人员必须理解的机器学习领域的常识性问题。|\n\n## 开始学习 练招式\n\n点击开始学习完整版 [Google机器学习速成课程.md](Google机器学习速成课程.md)，也可以下载完整版[Google机器学习速成课程.pdf](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002FGoogle机器学习速成课程.pdf)。\n\n\n## 学习进阶 练内功\n机器学习中的常识性问题定义：作为一名合格的机器学习从业人员必须理解的机器学习领域的常识性问题。\n\n点击开始学习 [机器学习中的常识性问题](https:\u002F\u002Fyuanxiaosc.github.io\u002F2019\u002F08\u002F16\u002F机器学习中的常识性问题\u002F)\n\n机器学习中常见的二分类问题评价指标：混淆矩阵、准确率、精确率、召回率、敏感性、特异性、AUC、ROC以及它们之间的关系吗？\n\n答案：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyuanxiaosc_Machine-Learning-Book_readme_dccb830291ab.png)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyuanxiaosc_Machine-Learning-Book_readme_15740af610f4.png)","# Machine-Learning-Book 快速上手指南\n\nMachine-Learning-Book（机器学习宝典）是一个汇集了从入门到精通所需核心知识的开源资源库，包含彩图知识点、Google 速成课程、术语表及行业最佳实践规则。本项目主要为文档与资料集合，无需复杂的环境配置即可开始阅读学习。\n\n## 环境准备\n\n本项目核心内容为 PDF 文档、Markdown 文本及在线网页资源，对系统无特殊要求。\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux 均可。\n*   **前置依赖**：\n    *   **文档阅读**：任意 PDF 阅读器（如 Adobe Acrobat, Chrome 浏览器）。\n    *   **代码练习**（针对 Google 速成课程部分）：\n        *   Python 3.6+\n        *   TensorFlow (建议版本 2.x)\n        *   Jupyter Notebook (可选，用于运行示例代码)\n\n> **国内加速方案**：\n> 若访问 GitHub 原站速度较慢，可直接使用提供的 **百度网盘** 打包资源：\n> *   链接：`https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1OLscfquhYKOuN7X-QVqQNA`\n> *   提取码：`6g4l`\n\n## 安装步骤\n\n由于本项目主要是资料库，\"安装\"即指获取资源文件。\n\n### 方式一：直接下载单个文件\n点击 README 中的链接直接下载特定 PDF 或 Markdown 文件，例如：\n*   [机器学习知识点彩图版.pdf](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002F机器学习知识点彩图版.pdf)\n*   [Google 机器学习速成课程.pdf](https:\u002F\u002Fraw.githubusercontent.com\u002Fyuanxiaosc\u002FMachine-Learning-Book\u002Fmaster\u002FPDF\u002FGoogle机器学习速成课程.pdf)\n\n### 方式二：克隆仓库（获取全部资源）\n在终端执行以下命令克隆项目：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyuanxiaosc\u002FMachine-Learning-Book.git\ncd Machine-Learning-Book\n```\n\n### 方式三：配置编程环境（仅针对需要运行代码的用户）\n若需运行《Google 机器学习速成课程》中的 TensorFlow 代码，请执行：\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow jupyter notebook matplotlib pandas\n```\n*(注：使用了清华大学镜像源以加速下载)*\n\n## 基本使用\n\n本项目的核心在于“阅读”与“实践”。以下是三种推荐的学习路径：\n\n### 1. 培养兴趣（看图学习）\n打开 `PDF\u002F机器学习知识点彩图版.pdf`，通过生动的图片快速理解偏差与方差权衡等核心概念。\n*   **操作**：直接使用 PDF 阅读器打开文件。\n\n### 2. 实战演练（练招式）\n跟随《Google 机器学习速成课程》进行系统性学习，涵盖房价预测（回归）、分类问题及手写字体识别。\n*   **阅读教程**：打开 `Google 机器学习速成课程.md` 或对应的 PDF 文件。\n*   **运行代码**：进入 `Google 机器学习速成课程 Code` 目录，启动 Jupyter Notebook 运行示例：\n    ```bash\n    jupyter notebook\n    ```\n    在浏览器中选择对应的 `.ipynb` 文件进行交互式学习与修改。\n\n### 3. 深化理论（练内功）\n深入学习《机器学习中的常识性问题》，掌握混淆矩阵、AUC、ROC 等评价指标及其关系。\n*   **在线阅读**：访问 [最新网页版](https:\u002F\u002Fyuanxiaosc.github.io\u002F2019\u002F08\u002F16\u002F机器学习中的常识性问题\u002F)。\n*   **本地阅读**：打开 `PDF\u002F机器学习中的常识性问题_望江人工智库.pdf`。\n\n建议初学者按照 **彩图版 -> 速成课程 -> 常识性问题** 的顺序循序渐进。","某互联网公司的初级算法工程师小李，正负责构建一个电商用户流失预测模型，但在特征工程和指标评估阶段陷入了瓶颈。\n\n### 没有 Machine-Learning-Book 时\n- **概念理解碎片化**：面对“偏差与方差权衡”等抽象理论，只能零散搜索博客，缺乏像《机器学习知识点彩图版》那样直观的图解，导致理解耗时且易产生偏差。\n- **实战路径迷茫**：在处理加州房价类似的回归问题时，不清楚特征工程的具体步骤，缺乏类似 Google 速成课程中“招式”般的系统性代码指引和习题验证。\n- **术语查阅低效**：遇到\"ROC\"、\"AUC\"等专业术语时，需在多个英文文档间切换查找定义，缺乏统一的《机器学习术语表》作为快速检索的“口诀”。\n- **评估指标混淆**：在二分类问题中，经常搞混精确率、召回率与特异性的适用场景及计算公式，缺乏《机器学习中的常识性问题》这样的“内功”心法来厘清关系。\n- **工程规范缺失**：模型上线后效果不稳定，因未参考《机器学习规则》，忽略了数据监控和迭代最佳实践，走了许多弯路。\n\n### 使用 Machine-Learning-Book 后\n- **理论可视化掌握**：通过彩图版资料，小李迅速直观地理解了偏差方差权衡，将原本需要两天的理论钻研缩短至两小时。\n- **实战有章可循**：跟随 Google 速成课程的案例线索，他复现了特征工程流程并利用配套习题自测，快速完成了基线模型构建。\n- **术语一键查询**：利用内置术语表，他能秒级确认 TensorFlow 专用术语定义，沟通效率显著提升，不再被语言障碍卡壳。\n- **指标运用精准**：借助常识性问题篇中的公式图表，他准确选择了适合业务场景的评估指标组合，并清晰向团队解释了模型表现。\n- **避坑指南加持**：依据机器学习规则中的最佳实践，他优化了数据管道设计，有效避免了常见的工程陷阱，提升了模型鲁棒性。\n\nMachine-Learning-Book 将分散的理论知识、实战代码与工程经验整合为一套完整的“武功秘籍”，帮助开发者从入门迷茫快速进阶为具备系统思维的实战专家。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyuanxiaosc_Machine-Learning-Book_dccb8302.png","yuanxiaosc","袁宵","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyuanxiaosc_e3521cfd.png","CTR; CVR","Baidu","Bei Jing, China","wangzichaochaochao@gmail.com",null,"https:\u002F\u002Fyuanxiaosc.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fyuanxiaosc",[83],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",100,1153,277,"2026-04-14T08:58:43",1,"","未说明",{"notes":94,"python":92,"dependencies":95},"该项目主要为机器学习学习资料汇总（包含 PDF 文档、Markdown 教程及术语表），并非可执行的软件工具或代码库，因此无特定的操作系统、硬件配置或依赖库要求。部分配套代码提及用于解决房价预测和手写字体识别问题，可能涉及 TensorFlow，但 README 中未列出具体的版本依赖或安装指令。",[],[14],[98,99,100,101,102],"machine-learning","deep-learning","course","google","tensorflow-tutorials","2026-03-27T02:49:30.150509","2026-04-17T08:24:21.456335",[],[]]