这里汇总了代码库收录的「数据科学」场景开源项目，按 Star 总量排序，适合按方向系统性地挑选与对比工具。
共收录 112 个项目 · 第 6 / 6 页
TypeScript 引擎，涉及AI-textbook、algorithms、artificial-intelligence
编辑点评适用于AI/大模型、基础设施、数据科学场景。使用 TypeScript 开发，涉及AI-textbook、algorithms、artificial-intelligence等技术方向。建议关注其社区活跃度和文档完善程度。
飞桨官方模型库，涵盖计算机视觉、自然语言处理、语音、推荐、时序预测及大模型等领域的经典与前沿模型实现。
编辑点评这是 PaddlePaddle 官方的模型集合，覆盖面广且持续维护，适合需要基于飞桨快速搭建基线模型的开发者。相比其他模型库，它更贴近国产深度学习生态，中文文档和社区支持较好。不过部分模型更新可能滞后，需注意与当前 PaddlePaddle 版本的兼容性。
Donut是OCR-free文档理解Transformer，无需OCR即可直接解析文档图像，并配套合成文档生成器SynthDoG。
编辑点评创新性地跳过OCR环节，避免误差累积，直接端到端理解文档结构，适合票据、表单等结构化信息抽取场景。训练需较多算力，且合成数据与真实数据存在分布差异，建议配合领域数据微调。
一个精心整理的 AI 课程与学习资源合集，汇集了关于人工智能的各类教程、课程和资料链接，帮助开发者系统学习 AI 知识。
编辑点评该仓库由 PyTorch 知名贡献者维护，链接质量高且覆盖面广，从机器学习基础到深度学习的进阶内容都有涉及。适合刚入门 AI 的开发者按图索骥，也适合有经验者查漏补缺。不过它只是资源导航，不包含原创教程，实际学习需要自行访问外部链接，部分内容可能需科学上网。
Smile 是一个基于 Java 的机器学习引擎，提供统计学习、数据挖掘、自然语言处理等丰富算法，帮助开发者快速构建智能应用。
编辑点评Smile 是 Java 生态中功能全面的机器学习库，覆盖分类、回归、聚类、降维、特征选择等经典算法，并自带可视化工具。适合需要将机器学习集成到 Java 服务或 Android 应用的场景。相比 Python 生态，其 API 设计更贴近 Java 习惯，但深度学习支持较弱，且社区活跃度不如 Python 主流框架。适合对性能有要求且希望避免跨语言调用的团队。
TensorFlow 2.x 入门实战教程与示例代码，涵盖 CNN、RNN、GAN、BERT 等经典模型，帮助开发者快速上手深度学习。
编辑点评这是 TF 2.0 时代广受欢迎的教程仓库，示例丰富且代码可直接运行，覆盖从基础模型到前沿架构。适合想系统学习 TensorFlow 2 的初学者，也适合需要参考实现的研究者。注意部分示例基于 TF 2.x 早期版本，新版本 API 可能需要微调。
中文版 CLIP，基于大规模中文图文对训练，实现中文图像与文本的跨模态检索与表征生成。
编辑点评适合需要中文图文匹配、图像检索、文本到图像检索等场景的开发者。它填补了原生 CLIP 在中文语义理解上的空缺，中文效果显著优于英文模型的中文迁移。模型提供多个规格，方便按资源选择，但部署时需注意其基于 ViT/BERT 的框架，与英文生态工具链略有差异。
一个全面的机器学习仓库，包含 30 多个 Notebook，覆盖不同概念、算法与技术，适合系统学习与实践。
编辑点评内容组织清晰，从基础到进阶覆盖常用算法，适合想系统梳理机器学习知识的学习者。Notebook 形式便于动手实践和修改调试，但部分内容可能依赖特定环境，建议结合官方文档使用。作为开源教程，社区维护可提供持续更新参考。
一份面向机器学习和 Agentic AI 的学习与实践资源集合，涵盖从基础理论到前沿研究的完整路线图。
编辑点评该项目将零散的 ML 和 Agentic AI 资源整合为清晰路径，适合初学者系统入门，也适合工程师快速查阅实践案例。内容覆盖研究和工程双视角，但需注意资源质量参差，建议结合官方文档筛选使用。
将《动手学深度学习》原书MXNet代码用PyTorch重写的开源教程项目，配套书籍逐章实现，适合PyTorch学习者对照阅读。
编辑点评经典深度学习教材的PyTorch移植版，代码结构清晰，与书本章节一一对应，适合初学者边学理论边写代码。优点是覆盖了从基础到CNN、RNN等核心内容；缺点是项目更新较早，部分API与新版PyTorch不兼容，且非官方实现。整体仍是入门深度学习的高质量参考资源。
Python 部署/持续集成工具，涉及AI、artificial-intelligence、chatbot
编辑点评适用于AI/大模型、基础设施场景。使用 Python 开发，涉及AI、artificial-intelligence、chatbot等技术方向。建议关注其社区活跃度和文档完善程度。
面向 CPU 的稀疏感知深度学习推理运行时，通过利用模型稀疏性实现高效低延迟的本地部署。
编辑点评DeepSparse 让 CPU 也能跑出接近 GPU 的推理性能，特别适合已有稀疏化模型或愿意做剪枝/蒸馏的团队。它无缝集成 ONNX，并提供稀疏微调工具链，能显著降低推理成本。但需要注意，其加速效果依赖模型本身的稀疏度，对稠密模型收益有限，且生态和硬件优化针对性较强，适合对性能敏感且可接受模型定制的场景。