这里汇总了代码库收录的 Jupyter Notebook 语言开源项目，按 Star 总量排序，并给出今日新增与 7 日增速，帮助你快速挑出值得深入阅读的项目。
共收录 29 个项目 · 第 1 / 2 页
微软出品的生成式 AI 入门教程，包含 21 节课程，通过 Jupyter Notebook 实战帮助初学者快速上手构建生成式 AI 应用。
编辑点评这是微软官方维护的免费课程，内容覆盖提示工程、LLM 应用开发、RAG 等核心主题，配有代码示例和实战练习，非常适合想系统学习生成式 AI 的开发者。课程以 Notebook 形式呈现，上手门槛低，但部分内容需要科学上网访问相关服务。适合作为第一本生成式 AI 学习手册，也适合快速查阅特定知识点。
Jupyter 开源项目，涉及AI、artificial-intelligence、attention-mechanism
编辑点评适用于AI/大模型、基础设施、数据科学场景。使用 Jupyter 开发，涉及AI、artificial-intelligence、attention-mechanism等技术方向。建议关注其社区活跃度和文档完善程度。
微软出品的经典机器学习入门课程，12周26节课配52个测验，帮助初学者系统掌握ML基础。
编辑点评这是一份结构清晰、内容免费的机器学习课程，适合零基础或刚入门的学生自学。课程采用Jupyter Notebook实战教学，每节配套测验与练习，能有效巩固知识。微软官方维护，社区活跃，但内容偏基础，深度有限，需配合其他资料进阶。适合想快速建立ML知识框架的开发者。
微软出品的 AI 入门免费课程，12 周 24 课时，覆盖神经网络、NLP、计算机视觉等核心主题，适合零基础开发者系统学习。
编辑点评微软官方维护，内容结构清晰，每课配有 Jupyter Notebook 实战练习，理论与实践结合，非常适合想入门 AI 的开发者。课程覆盖面广但深度有限，适合作为学习路线图，后续需结合其他资源深入。全部免费开源，社区活跃，是极佳的自学起点。
一个开源教程项目，系统讲解如何开发、部署并迭代生产级机器学习应用，帮助开发者构建可靠的ML系统。
编辑点评内容覆盖面广，从ML基础到MLOps实践都有涉及，尤其适合希望把模型真正落地到生产环境的开发者。项目以Jupyter Notebook为主，互动性强，但需要自己动手实践。注意部分内容可能依赖旧版库，建议结合最新官方文档使用。
面向初学者的 TensorFlow 教程与示例集合，涵盖 TF v1 和 v2 的经典用法，帮助快速上手深度学习。
编辑点评这是学习 TensorFlow 的经典入门资源，示例覆盖基础操作、图像分类、自然语言处理等常见任务，且每个示例都配套完整代码和说明。支持 v1 与 v2 双版本，对维护旧代码或迁移到新版本的开发者尤其友好。优点是结构清晰、上手快；缺点是部分示例偏向基础，深度不足，适合初学者或需要快速参考的场景。
CLIP 是 OpenAI 提出的多模态对比学习模型，通过图像与文本的匹配训练，实现零样本图像分类和图文检索。
编辑点评CLIP 是多模态领域的奠基之作，用自然语言监督让模型具备强大的零样本迁移能力，非常适合做图文检索、图像分类等任务。它开源了模型权重和推理代码，但训练数据未公开，且对细粒度分类和复杂语义理解仍有局限。适合作为多模态应用的基础组件或进一步微调的起点。
Jupyter AI/ML 项目，涉及agentic-RAG、AI、embeddings
编辑点评适用于AI/大模型、基础设施、数据科学场景。使用 Jupyter 开发，涉及agentic-RAG、AI、embeddings等技术方向。建议关注其社区活跃度和文档完善程度。
fastai 是一个基于 PyTorch 的高层深度学习库，旨在通过简洁 API 让开发者快速实现前沿模型并简化训练流程。
编辑点评fastai 以“让深度学习更易用”为核心，提供了大量最佳实践封装，适合教学、竞赛和快速原型验证。它学习曲线平缓，但高度抽象可能掩盖底层细节，进阶用户需结合 PyTorch 理解机制。适合数据科学家、研究者以及希望快速上手的开发者。
基于博弈论的解释性框架，用于解释任何机器学习模型的输出，帮助理解特征对预测结果的贡献。
编辑点评SHAP 是机器学习可解释性领域的标杆工具，统一了多种解释方法，提供一致且局部的特征归因。适合需要向非技术人员解释模型决策的场景，如信用审批、医疗诊断等。注意计算成本较高，大规模模型可结合 TreeSHAP 加速。
经典《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》一书的配套Jupyter代码仓库，现已弃用并迁移至handson-ml3。
编辑点评这是机器学习入门领域极具影响力的实战项目，代码示例覆盖从传统算法到深度学习。虽然已标记弃用，但作为学习资源仍具参考价值，不过强烈建议直接使用作者维护的handson-ml3版本，以免基于过时API。适合系统学习ML/DL并希望边学边练的开发者。
基于 Jupyter Notebook 的 fastai 深度学习书籍，通过实践教学帮助读者掌握现代深度学习技术。
编辑点评这是 fastai 创始人编写的免费资源，以 Notebook 形式呈现，可边看边运行代码，非常适合想动手学深度学习的开发者。优点是实践导向、内容前沿、配套 fastai 库成熟；缺点是依赖特定库，部分概念需要一定基础。注意不同版本的依赖兼容性。
Jupyter AI/ML 项目，涉及agentic-AI、agents、AI
编辑点评适用于AI/大模型、数据科学场景。使用 Jupyter 开发，涉及agentic-AI、agents、AI等技术方向。建议关注其社区活跃度和文档完善程度。
一份超级全面的深度学习笔记，整合土堆Pytorch、李沐动手学深度学习、吴恩达深度学习及大飞大模型Agent课程，助你系统入门与进阶。
编辑点评内容覆盖从PyTorch基础到经典模型再到Agent实战，适合想系统梳理深度学习知识的学习者。笔记按课程组织，便于对照视频学习，但需注意部分内容可能随课程版本更新有所滞后，建议结合原课程使用。
Learn OpenCV 提供丰富的 C++ 和 Python 计算机视觉示例代码，帮助开发者快速上手 OpenCV 并解决实际图像处理问题。
编辑点评项目汇集了大量实用教程和可运行示例，覆盖图像处理、特征检测、深度学习推理等常见场景，适合想通过实战学习 OpenCV 的开发者。C++ 和 Python 双语言对照是最大亮点，便于理解算法实现。注意部分示例依赖较旧版本，运行时需留意环境配置。
一本开源的PyTorch实战教程书，帮助新手快速上手深度学习，所有代码经过测试可运行。
编辑点评内容系统全面，从基础语法到模型实战均有覆盖，适合想系统入门PyTorch的开发者。所有教程均通过测试，能显著降低环境配置和代码报错的踩坑成本。但需注意版本迭代可能带来API差异，建议结合官方文档使用。
《机器学习交易》第三版配套代码，覆盖从数据获取到实盘执行的完整机器学习交易流程。
编辑点评这是量化交易与机器学习结合的经典教程代码库，内容系统且贴近实战，适合想入门金融AI的开发者。通过Jupyter Notebook形式组织，便于逐步学习和复现。但需注意，代码依赖较多金融数据库和API，部分数据源可能需要付费或科学上网，且实盘部署部分对初学者有一定门槛，建议结合原书阅读。
《PyTorch 深度学习：从零到精通》课程配套材料，包含代码、笔记和练习，帮助开发者系统学习 PyTorch 与深度学习。
编辑点评这是广受好评的 PyTorch 实战课程仓库，内容由浅入深覆盖神经网络、CNN、RNN 到迁移学习等核心主题。适合想入门深度学习或从其他框架转向 PyTorch 的开发者。以 Jupyter Notebook 形式呈现，方便边看边练。注意部分内容依赖特定版本，建议按官方环境配置运行。
Jupyter 平台，涉及backtest、bitcoin、blockchain
编辑点评适用于AI/大模型、数据科学场景。使用 Jupyter 开发，涉及backtest、bitcoin、blockchain等技术方向。建议关注其社区活跃度和文档完善程度。
Jupyter 编辑器，涉及AI、finetuning、LangChain
编辑点评适用于AI/大模型、数据科学场景。使用 Jupyter 开发，涉及AI、finetuning、LangChain等技术方向。建议关注其社区活跃度和文档完善程度。