全部资源

scikit-learn 入门指南

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。

学习 Claude Code

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。

CS 自学指南

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。

CS229 监督学习简明指南（中文）

斯坦福 CS229 机器学习课程的监督学习复习速查表中文版，作者为 Afshine Amidi 与 Shervine Amidi，中文版由 Wang Hongnian 翻译。内容按主题压缩呈现：预测类型与模型类型对比、符号与一般概念、损失函数与成本函数、梯度下降、似然、线性与逻辑回归、广义线性模型、支持向量机与核方法、生成学习（高斯判别分析、朴素贝叶斯）、树与集成方法（CART、随机森林、提升）、k-NN，以及学习理论（Hoeffding 不等式、PAC、VC 维）。页面提供 GitHub 上的 PDF 版本，并有监督学习、无监督学习、深度学习、提示和技巧等姊妹速查表入口。适合已接触机器学习基础概念、需要对监督学习要点做快速回顾的人查阅。

神经正切核背后的数学

Lilian Weng 在 Lil'Log 博客上关于神经正切核（NTK）的数学长文。文章从过参数化神经网络易于拟合数据且泛化良好、随机初始化下优化结果稳定的现象出发，介绍 NTK（Jacot 等，2018）作为解释神经网络在梯度下降训练中演化过程的核，并深入讨论其动机与定义，以及在无限宽度网络下刻画 NTK、证明不同初始化时确定性收敛的推导。文中先铺垫向量对向量导数、微分方程、中心极限定理、泰勒展开、核方法与高斯过程等基础，再涉及无限宽度网络、与高斯过程的联系、确定性 NTK、线性化模型与惰性训练，并附引用。作者说明与以往文章不同，本篇聚焦少数核心论文而非广泛文献综述。适合具备一定数学基础、想理解 NTK 理论的人阅读。

如何（以及为什么）用 Python 从零构建 AI Agent

How (and Why) to Build an AI Agent from Scratch in Python

MachineLearningMastery.com 上由 Bala Priya C 撰写的教程文章。文章介绍什么是 AI Agent，并演示如何只用纯 Python 和 Anthropic API、不借助任何编排框架从零实现一个 Agent；内容涵盖为什么需要工具调用、如何定义模型可用的工具、如何实现“请求—执行—响应”循环，以及如何加入持久记忆让 Agent 在多轮对话中保持上下文。适合想理解 Agent 底层机制并动手实现的开发者阅读。

如何用 Claude Code 技能写出更好的 Python 文档字符串

How to Use Claude Code Skills for Better Python Docstrings

Real Python 的教程，作者 Philipp Acsany，阅读时长约 22 分钟，难度标注为中级。文章讲如何把反复解释的 docstring 书写约定固化成 Claude Code 的 skill，步骤包括在项目内创建 skill、用渐进式披露添加参考文件、加一个 Python 辅助脚本并把 skill 个人化，另有后续步骤与常见问题部分。适合需要统一 Python 代码文档规范并已在用 Claude Code 的开发者阅读。

一个不含任何数据的 DuckDB 数据库

A DuckDB Database with No Data in It

这是 DuckDB 官方博客的一篇文章，介绍 DuckDB 数据库文件可以不存储数据，只保存指向对象存储上 Parquet 文件的视图定义，文件仅几百 KB，却能像共享目录一样覆盖整个数据湖。文中讲述如何构建、托管并以只读方式挂载这样的文件，并引用了 Nikolas Goebel 的相关观点。适合使用 DuckDB 和 Parquet 组织数据湖的人阅读。

在脚本的 shebang 行中使用 LLM

Using LLM in the shebang line of a script

这篇 TIL 记录了如何把 LLM 命令行工具写进脚本的 shebang，从而让一段英文（或其他自然语言）文本文件可以直接执行。文中给出的写法是 #!/usr/bin/env -S llm -f，保存为 pelican.sh 并用 chmod +x 赋权后即可运行；额外参数会透传给 LLM，例如用 -m 换模型，加 -x 可只提取响应中的第一个代码块；-f 必须放在最后，因为它接收脚本文件路径。文中还解释了 env 的 -S 选项的必要性，否则 env 会把整行当作一个命令名而报错。适合想把 LLM CLI 嵌入可执行脚本的人参考。

元学习：学会快速学习

Meta-Learning: Learning to Learn Fast

Lil'Log 博客介绍元学习的文章。先定义元学习问题并说明训练与测试方式的一致性，然后按三类方法展开：基于度量的方法（孪生网络、匹配网络、关系网络、原型网络）、基于模型的方法（记忆增强网络、Meta Networks、快速权重），以及基于优化的方法（LSTM 元学习器、MAML、一阶 MAML、Reptile），并附有中文译本链接。

从头理解并用代码实现 LLM 中的 KV 缓存

Understanding and Coding the KV Cache in LLMs from Scratch

Sebastian Raschka 于 2025 年 6 月 17 日发布的技术教程，讲解 LLM 推理中 KV 缓存的工作原理，并给出一个从零实现、便于阅读的代码示例。文中说明 KV 缓存存储推理阶段可复用的 key 与 value 中间计算结果，可显著加快文本生成；代价是增加代码复杂度与内存需求，且不能用于训练。作者提到该主题未包含在其《Building a Large Language Model From Scratch》一书中。

从零实现字节对编码（BPE）分词器

Implementing A Byte Pair Encoding (BPE) Tokenizer From Scratch

一份用于教学目的的独立 notebook，从零实现 GPT-2 至 GPT-4、Llama 3 等模型使用的字节对编码（BPE）分词算法，并附带训练分词器的函数，还可加载 OpenAI 原始分词器词表与合并规则；文中提及 minBPE、tiktoken 等实现，以及 BPE 算法最早出自 1994 年 Philip Gage 的论文。适合想搞懂 BPE 分词原理的学习者。