GitHub 雷达

这是一个由微软推出的21节入门课程，旨在帮助初学者学习如何构建生成式AI应用。主要技术栈为Jupyter Notebook，课程内容同时提供Python和TypeScript的代码示例。其亮点是课程结构清晰、支持50多种语言翻译，适合零基础开发者系统学习生成式AI。

该项目是一个从零开始构建类似ChatGPT的大语言模型（LLM）的完整教程与代码仓库。主要技术栈为PyTorch和Jupyter Notebook，通过逐步编码的方式实现GPT模型的开发、预训练和微调。其亮点在于以教育为目的，用清晰文本、图表和示例展示LLM内部工作原理，适合深度学习爱好者、学生及开发者系统学习大模型构建。

这是一个面向初学者的机器学习课程项目，提供为期12周共26节课程和52个测验，旨在教授经典的机器学习知识。主要技术栈是使用Scikit-learn库，并避免涉及深度学习，课程内容以Jupyter Notebook形式呈现。其亮点在于采用项目驱动的教学方式，并支持超过50种语言的翻译，适合全球范围内的机器学习初学者自学或课堂教学。

这是一个提供使用OpenAI API完成常见任务的示例代码和指南的开源项目，主要解决开发者如何高效调用OpenAI接口的问题。主要技术栈为Python语言编写的Jupyter Notebook，通过设置API密钥即可运行示例。亮点是拥有超过7万星标，提供丰富的实用教程和资源链接，适合所有需要快速上手OpenAI API的开发者。

Stable Diffusion 是一个基于潜在扩散模型的文本生成图像模型，能将文字描述直接转化为高分辨率图片。 主要技术栈包括使用冻结的CLIP ViT-L/14文本编码器作为条件输入，结合860M参数的UNet和123M参数的文本编码器，在潜在空间中进行扩散生成。 其亮点在于模型相对轻量，可在至少10GB显存的GPU上运行，适用于创意设计、内容生成等需要从文本快速生成高质量图像的场景。

这是一个面向初学者的AI智能体构建课程，包含18节课程，旨在教授构建AI智能体所需的所有基础知识。主要技术栈基于Jupyter Notebook，课程内容涵盖AI智能体的核心概念与实现方法。亮点在于提供多语言支持，适合零基础学习者系统入门AI智能体开发。

这是一个面向初学者的12周、24课时的AI课程，旨在通过实践课程、测验和实验帮助零基础学习者系统学习人工智能。主要技术栈包括Jupyter Notebook，并涵盖TensorFlow和PyTorch等工具以及AI伦理内容。亮点是课程完全免费且支持50多种语言翻译，适合全球初学者自学或课堂教学。

Pathwaycom/llm-app 提供可直接运行的云模板，用于构建基于实时数据的 RAG（检索增强生成）、AI 流水线和企业搜索应用。主要技术栈基于 Pathway 实时数据框架，支持 Docker 部署，并内置内存向量搜索、混合搜索和全文索引。亮点在于能够与多种实时数据源（如 Google Drive、SharePoint、Kafka、PostgreSQL）自动同步，支持从简单到高精度的多种 RAG 模板，适用于需要处理海量文档并保持数据实时更新的企业级 AI 搜索场景。

Segment Anything Model (SAM) 是一个基础模型，用于解决通过输入提示（如点或框）在图像中生成高质量对象掩码的问题，并能自动分割图像中的所有对象。 主要技术栈基于 PyTorch 和 TorchVision，采用 Transformer 架构，并提供了预训练模型检查点、ONNX 导出支持以及用于推理的 Python 代码和 Jupyter Notebook 示例。 其亮点在于拥有强大的零样本分割能力，适用于广泛的视觉任务和领域，并且新发布的 SAM 2 版本进一步扩展到了视频实时分割，同时提供了最大的视频分割数据集 SA-V。

这是一个为开发者提供的Claude模型使用示例和代码配方集合，旨在帮助用户快速上手并集成Claude API到自己的项目中。主要技术栈是Python和Jupyter Notebook，但核心概念可适配任何支持Claude API的编程语言。其亮点在于提供了从分类、检索增强生成到工具集成、多模态处理等丰富场景的可复制代码，特别适合需要快速实现客服代理、SQL查询、图像分析或内容审核等功能的开发者。

Made With ML 是一个面向开发者的开源课程项目，旨在教授如何设计、开发、部署并迭代生产级机器学习应用，帮助开发者负责任地通过ML创造价值。该项目主要使用Jupyter Notebook编写，结合Python和Ray框架，并融入软件工程最佳实践与MLOps组件，如跟踪、测试、服务和编排等。其亮点在于提供从第一性原理到生产部署的完整学习路径，支持本地或Anyscale集群轻松扩展，并涵盖CI/CD工作流，适合软件工程师、数据科学家、应届毕业生及产品管理人员学习。

这是一个面向初学者的TensorFlow教程和示例集合，旨在通过大量可运行的代码帮助用户快速上手TensorFlow，同时兼容TensorFlow v1和v2版本。项目主要使用Jupyter Notebook和Python编写，同时提供notebook和带注释的源代码，覆盖从基础操作到线性回归、神经网络、CNN、RNN、自编码器、DCGAN等丰富模型，并包含模型保存恢复、自定义层和Tensorboard等实用工具。其亮点在于内容全面且按难度分级，每个示例都有清晰解释，既适合零基础入门，也方便开发者查阅最新API实践，是学习TensorFlow的经典参考资料。

AirLLM 是一个开源项目，它解决了在显存极低的 GPU（如单张 4GB 显卡）上运行 70B 甚至 671B 等超大参数大语言模型进行推理的问题，无需量化、蒸馏或剪枝。 主要技术栈基于 Python 和 Jupyter Notebook，通过创新的分层模型分解与块级量化压缩技术，将模型按层拆分并动态加载到显存中，从而大幅降低单次推理的内存占用。 其亮点在于能让普通用户或资源受限的环境（如个人电脑、低配云服务器）轻松运行 Llama 3.1 405B、DeepSeek-V3 等顶级大模型，适用于低成本部署、本地实验和隐私敏感场景。