data-science 第 4 页
本站收录 201 个带「data-science」标签的 AI 开源项目（按 GitHub 星标从高到低，第 4 / 5 页）
babylogbabylog 是一个面向机器学习团队的轻量级日志工具，专门用于在生产环境中记录图像和模型预测结果。它解决了 ML 系统在部署后缺乏可观测性的问题，帮助团队监控★ 154
zero-to-aizero-to-ai 是一个面向零基础学习者的免费 AI/ML 课程仓库，以 950 多个 Jupyter Notebook 为载体，覆盖从 Python 基础★ 154
reproducible-data-science这是一个关于如何构建可复现、可维护数据科学项目的教程集合，以 Jupyter Notebook 形式呈现。它解决的是数据科学项目中常见的可复现性危机，即代码、数★ 153
quantified-selfquantified-self 是一个基于 Python 的个人数据自我量化助手，旨在通过数字了解自我。它集成了 Fitbit、RescueTime、GitHu★ 152
DataMindDataMind 是一个基于大语言模型的开源数据分析智能体框架，目标是为用户提供从自然语言到数据洞察的端到端解决方案。它解决的是传统数据分析门槛高、流程繁琐的问★ 149
flintmlflintml 是一个面向团队的一键式机器学习基础设施工具，旨在让团队无需深入底层细节即可快速搭建和运行 ML 工作流。它解决了传统 ML 基础设施部署复杂、运★ 145
skillsskills 是一个面向 AI 智能体的表格数据科学技能库，核心目标是为 AI Agent 提供可复用的、带护栏（guardrail）能力的表格数据处理与建模技★ 142
ml-template-azureml-template-azure 是一个面向 Azure 机器学习平台的自动化 MLOps 起步模板，旨在帮助团队快速搭建从代码到模型部署的端到端流水线。它解★ 131
DSBenchDSBench 是一个面向数据科学智能体的基准测试框架，旨在评估大语言模型驱动的智能体在真实数据科学任务中的表现。它解决了现有基准测试任务过于简化、与工业实践脱★ 130
numerbloxnumerblox 是一个面向 Numerai 数据科学竞赛的 Python 工具库，旨在简化并标准化 Numerai 预测管道的构建流程。它解决了参赛者在数据★ 126
awesome-ai-tutorials这是一个精选AI教程的集合仓库，旨在帮助学习者系统掌握数据科学和人工智能的核心技能。项目将分散在网络上的高质量教程、课程和资源进行整理归类，覆盖机器学习、深度学★ 124
Awesome-Large-Recommendation-Models这是一个精选大型推荐模型（LRMs）最新进展的资源列表，旨在跟踪该领域的前沿研究和开源实现。项目解决了推荐系统领域信息过载、研究进展分散的问题，通过系统化整理相★ 122
fasttrackmlfasttrackml 是一个专注于速度和可扩展性的实验跟踪服务器，用 Go 语言编写。它解决机器学习团队在大量实验场景下，传统跟踪工具（如 MLflow）性能★ 118
sd-leap-boostersd-leap-booster 是一个面向 Stable Diffusion 的微调加速工具，通过引入一个“助推器”模型，将初始状态置于损失曲面的局部最小值附近★ 112
llm-table-surveyllm-table-survey 是一个专注于大语言模型（LLM）在表格处理领域应用的资源汇总项目。它系统收集了相关论文、数据集、工具和基准测试，旨在帮助研究者★ 111
omegamlomegaml 是一个面向 MLOps 的一站式 AI 交付平台，旨在简化机器学习模型的开发、部署和管理流程。它解决了企业在将模型从实验环境推向生产时面临的复杂★ 109
formlForML 是一个面向数据科学项目全生命周期的开发框架与 MLOps 平台。它旨在解决机器学习项目从实验到生产部署过程中缺乏统一管理的问题，提供模型开发、训练、★ 107
clientDagsHub client 是 DagsHub 平台提供的 Python 客户端库，用于与 DagsHub 的数据和模型管理功能进行交互。它解决了机器学习项目★ 105
production-ready-data-science-code这是一个将杂乱的数据科学 notebook 转化为生产级代码的指南型项目，通过具体示例覆盖测试、CI/CD、MLOps 和可扩展部署实践。它解决了数据科学项目从★ 105
get-beamget-beam 是一个面向 AI 基础设施的早期开源项目，旨在让用户以无服务器（Serverless）方式运行 GPU 推理和训练任务。它解决了传统 GPU ★ 103
CoMLCoML 是一个面向数据科学家和机器学习开发者的交互式编码助手，由大语言模型驱动。它旨在解决数据科学工作流中繁琐的编码和调试问题，通过自然语言交互，帮助用户更高★ 100
PocketStrike-AIPocketStrike-AI 是一个将 Android Termux 终端转化为自主 AI 智能体与安全编排器的开源项目。它解决了在移动设备上运行本地 AI ★ 99
data-science-best-practices这是一个面向数据科学家和机器学习工程师的最佳实践指南仓库，旨在帮助团队将数据科学用例从原型开发推进到生产环境。它聚焦于解决方案的版本控制、可扩展性、监控和工程化★ 98
awesome-ml-monitoring这是一个精选列表，汇总了用于监控数据质量、监控模型性能和分析数据的开源工具及商业产品。它解决了机器学习模型上线后缺乏有效监控手段的问题，帮助团队及时发现数据漂移★ 96
image-rankerimage-ranker 是一个在浏览器中通过两两对比来给图像排序的开源工具，基于 TrueSkill 算法。它主要解决图像数据集构建和排序中的主观评估问题，让★ 93
tutorials这是一个与Ergo Sum博客及YouTube频道配套的教程仓库，主要使用Jupyter Notebook编写，内容涵盖数据科学、体育数据分析（如DraftKi★ 89
nboxnbox 是 NimbleBox 平台的官方 Python 包，旨在将平台的所有 API 封装为命令行工具和可复用的 Python 模块，从而简化机器学习工作流★ 87
sdksdk 是一个面向生产环境机器学习（ML）的元数据存储基础设施。它旨在解决 ML 模型开发与部署过程中元数据管理混乱、难以追踪的问题，为模型、数据集、训练运行等★ 87
great_expectations_action这是一个GitHub Action，旨在简化在CI工作流中使用Great Expectations验证数据管道的过程。它解决了数据工程团队在持续集成中难以自动执★ 86
FDAbenchFDABench 是一个用于评估数据智能体（Data Agents）在异构数据上执行分析查询能力的基准测试平台，源自 KDD'26 论文。它解决的核心问题是：当★ 84
beneathBeneath 是一个基于 Go 语言构建的无服务器实时数据平台，旨在简化数据管道的搭建与运维。它解决了传统数据基础设施中服务器管理、扩展性和实时处理复杂的问题★ 84
End-to-End-AutoML-Insurance这是一个面向保险交叉销售场景的端到端AutoML参考实现，整合了H2O AutoML、MLflow、FastAPI和Streamlit四大工具链。项目以Jupy★ 83
machine-learning-models这是一个用阿拉伯语传播机器学习和人工智能知识的开源项目，旨在降低阿拉伯语用户学习AI的门槛。项目以Jupyter Notebook为主要载体，提供了一系列教学示★ 82
soorgeonsoorgeon 是一个将单体 Jupyter notebook 转换为可维护的 Ploomber 数据管道的开源工具。它解决的是数据科学家在 notebook★ 81
Generative-AI-PharmacistGenerative AI Pharmacist 是一个演示性质的生成式AI药剂师项目，旨在展示生成式AI在医药咨询场景中的应用。它利用大语言模型模拟药剂师的角★ 78
xvcxvc 是一个用 Rust 编写的 MLOps 工具，专注于数据版本管理和流水线管理。它解决了机器学习项目中数据文件、模型和实验管线的版本控制与可复现性问题，提★ 77
domino-researchdomino-research 是 Domino 数据实验室研发团队开源的项目集合仓库，主要托管该团队在数据科学、机器学习基础设施和实验管理方面的内部工具与研究★ 77
data-engineering-and-dataops这是杜克大学MIDS（数据科学硕士）项目的一门课程资料仓库，名为“数据工程与DataOps”。它面向数据科学学习者，系统讲解数据工程的核心概念与DataOps实★ 72
automated-brain-explanationsautomated-brain-explanations 是一个用于生成和验证大脑自然语言解释的开源项目。它主要解决神经科学研究中，如何将复杂的脑成像数据（如 ★ 67
ml-workflow-automation这是一个用 Jupyter Notebook 演示典型机器学习工作流的 Python 项目，核心亮点是将模型自动部署为 Kubernetes 上的 RESTfu★ 67
hypertunehypertune 是一个用于超参数优化的 Python 库，旨在简化机器学习模型的调参流程。它解决了手动网格搜索或随机搜索效率低、难以找到最优参数组合的问题。★ 63
ShelfShelf 是一个面向 AI 和数据科学领域的资源聚合型基础设施项目，定位为“一个宽阔的架子”，旨在系统化整理和展示 AI/数据科学生态中的各类工具、框架、模型★ 62
sklearn-diagnosesklearn-diagnose 是一个面向 Scikit-learn 模型的 AI 诊断工具，旨在帮助数据科学家快速识别模型训练中的常见问题，如过拟合、数据泄★ 61
MLFlowClient.jlMLFlowClient.jl 是一个 Julia 语言的 MLflow 客户端库，旨在让 Julia 用户能够无缝集成 MLflow 的机器学习生命周期管理功★ 59
coursera-practical-data-science-specialization这是Coursera上deeplearning.ai开设的“实用数据科学专项课程”的作业与项目参考答案合集，以Jupyter Notebook形式组织。它帮助学★ 59
OPTIMIZING-STOCK-TRADING-STRATEGY-WITH-REINFORCEMENT-LEARNING这是一个用强化学习优化股票交易策略的开源项目，面向对量化交易和AI感兴趣的开发者。它解决了传统交易策略依赖人工经验、难以自适应市场变化的问题，核心能力是构建强化★ 58
aws-data-science-data-engineering-mlops-infra这是一个基于AWS的端到端数据科学与MLOps参考架构项目，以航班延误预测为业务场景，完整展示了数据工程、数据科学、MLOps和基础设施即代码的最佳实践。项目通★ 58
mlops-interview-questions这是一个面向2026年机器学习与数据科学求职者的MLOps面试题库，收录了涵盖MLOps全流程的面试问题与参考答案。项目旨在帮助求职者系统准备MLOps相关岗位★ 56
AI-Engineer-Roadmap-2025AI-Engineer-Roadmap-2025 是一个面向 AI 工程师的学习路线图项目，旨在帮助开发者系统性地掌握 AI、机器学习、深度学习、MLOps 和★ 53
awesome-ml-serving这是一个精选清单，汇集了用于生产环境模型服务的开源和商业平台。它旨在解决机器学习模型部署和上线时，缺乏系统性参考和对比的问题。项目核心能力是整理并分类了多种模型★ 50