全部 AI 精选，可按分级、类型、是否付费、收录时间筛选，按关键词搜索。
这是一个安卓应用项目，可免 ROOT、免 Termux 通过单个 APK 在手机上运行 DeepSeek Harness：引擎内嵌于 App 进程，能读屏操作 App、修改系统设置、执行定时或条件自动化，可选安装 Shizuku。使用需登录 DeepSeek 账号或填 API key，也可在设置中添加其他模型服务商，支持 arm64 与 Android 10 及以上。适合想在安卓手机上布置手机端 AI 代理、做自动化操作的人阅读。
scikit-learn Getting Started
这是 scikit-learn 官方文档的入门页面，介绍这一开源机器学习库的主要功能，包括监督学习与无监督学习，以及模型拟合、数据预处理、模型选择与评估等工具。页面包含拟合与预测的基本示例，如用 fit 方法训练 RandomForestClassifier，并说明了输入样本矩阵的形状约定。页面说明本指南假定读者具备机器学习实践的基础知识，如模型拟合、预测和交叉验证。
Google Machine Learning Crash Course
Google 面向开发者提供的机器学习入门课程页面。页面说明该课程自 2018 年起已有大量学习者使用，并推出了覆盖近期 AI 进展、更侧重互动学习的新版。内容按主题组织，列出线性回归、逻辑回归、分类、数值数据处理、类别数据处理等模块，其中线性回归部分涉及线性模型、损失、梯度下降与超参数调优，分类部分涉及阈值、混淆矩阵、准确率、精确率、召回率与 AUC。
An Introduction to Statistical Learning with Applications in Python
页面是《An Introduction to Statistical Learning》一书的官方网站，可下载 R 版与 Python 版教材。书中以较少技术化的方式覆盖统计学习主要主题，章节包括回归、分类、重采样方法、线性模型选择与正则化、非线性方法、树方法、支持向量机、深度学习、生存分析、无监督学习和多重检验，每章末尾附有 R 或 Python 实验。R 版首版于 2013 年、第二版于 2021 年，Python 版于 2023 年出版。适合希望用当代工具做数据分析的读者使用。
Learn Claude Code
该仓库提供一个类似 Claude Code 的“agent harness”最小实现，按“从 0 到 1”的思路构建，README 提供英文、中文、日文版本。内容主张 agent 的“能动性”（感知、推理、行动能力）来自模型训练，而 agent 产品等于模型加 harness，仓库重点讲解如何搭建 harness 这一部分。适合想从工程角度理解 Claude Code 类工具内部结构、打算自己动手实现 agent 框架的开发者阅读。
Visual Information Theory
这是 colah 博客 2015 年 10 月的一篇文章，尝试用可视化方式讲解信息论的核心概念，如不确定性有多大、知道一个问题的答案能在多大程度上说明另一个问题的答案等，并提到这些概念在数据压缩、量子物理和机器学习等领域的应用。文章开篇先介绍如何用图示表示简单概率分布，作为后续内容的基础。适合对信息论概念感兴趣、希望借助图示理解抽象定义的读者。
斯坦福大学 CS149《并行计算》2025 年秋季课程网站。课程旨在深入讲解现代并行计算系统设计的基本原理与工程权衡，并教授有效利用这些机器所需的并行编程技术，内容同时涵盖并行硬件与软件设计。基本信息显示上课时间为周二、周四 10:30–11:50，地点 NVIDIA Auditorium，授课教师为 Kayvon Fatahalian 和 Kunle Olukotun。页面还列出课程安排，前几讲涉及并行的动机与效率、现代多核处理器（多核、SIMD、多线程）、ISPC 编程抽象、数据并行示例以及程序优化等主题。
加州大学伯克利分校 EECS 182/282A《Deep Neural Networks》2025 年秋季课程网站，课程时间为周二、周四 11:00–12:30，地点 Soda 306。课程简介称深度网络革新了计算机视觉、语言技术、机器人与控制等领域，但尚无完整的紧凑理论原则，课程试图在直觉、理论建模、实际实现、实证研究与科学分析之间展开；讲座由院系录制并发布到 YouTube 播放列表，需用 @berkeley.edu 账号登录访问，授课内容大量使用白板或手写平板而非幻灯片。
这是一本中文计算机自学指南网站，作者以自身大学三年的自学经历为背景编写，并作为献给北大信科同学的礼物。内容分为使用指南、一份参考的 CS 学习规划、必学工具、经典书籍推荐以及国内外高质量 CS 课程汇总等部分，课程按数学基础、编程语言、系统、数据库、图形学、机器学习等方向分类，大部分课程配有独立仓库维护资源和作业实现。适合规划计算机方向自学路线的人参考。
斯坦福大学 2026 年冬季 CS224N《Natural Language Processing with Deep Learning》课程网站，授课教师为 Diyi Yang 与 Yejin Choi，并列出课程管理人员和助教名单。课程介绍称近年深度学习方法在许多 NLP 任务上取得很高表现，学生将获得对前沿 NLP 神经网络的系统入门。讲座为太平洋时间周二、周四 16:30–17:50，在 NVIDIA Auditorium 举行并通过 Canvas 上的 Panopto 直播；选修学生的录播需登录 Canvas，非选修者无法观看，但 2024 年版完整课程视频在 YouTube 免费公开。
斯坦福大学 2026 年春季 CS231n《Deep Learning for Computer Vision》课程网站。页面用一个在浏览器中实时运行的卷积神经网络示例（CIFAR-10 分类，架构为 [conv-relu-conv-relu-pool]x3-fc-softmax，共 17 层、7000 参数，用 ConvNetJS 训练）说明输入图像如何经一系列函数变换为类别概率。课程简介指出视觉识别（图像分类、定位、检测）是搜索、图像理解、地图、医疗、无人机、自动驾驶等应用的核心，深度学习显著提升了这些系统的性能，并说明这是一门深度学习课程。
MIT 6.S191：Introduction to Deep Learning
MIT 6.S191 深度学习入门课程网站。课程定位为高强度的短期训练营，讲授深度学习基础及其在自然语言处理、计算机视觉、生物等领域的应用，内容包括深度学习算法基础、构建神经网络的实践经验，以及大语言模型和生成式 AI 等前沿话题，并以项目提案竞赛收尾。先修要求假设学习者掌握微积分（求导）和线性代数（矩阵乘法），有 Python 经验有帮助但非必需，也欢迎旁听。页面显示 2026 年课程时间为 2026 年 3 月 30 日至 5 月 25 日每周一美东时间上午 10 点，线上版本每周同步发布，并列出各讲主题与幻灯片、视频、代码实验室的开放安排。