DevOps 开发工具：Dev Lake，可将 DevOps 数据以实用、个性化、可扩展的视图呈现，完成数据的收集、分析和可视化。项目团队成员主要来自微软研究员、加州大学伯克利分校和斯坦福大学

工具内置 20+ 效能指标与下钻分析能力，可快速归集 DevOps 全流程效能数据，并支持接入新数据源，完成自定义 SQL 分析及拖拽搭建场景化数据视图等功能

论文可视化检索 #工具 ：Connect Papers，当你搜索 #论文 时，该工具会自动生成直观的可视化图谱，展示多篇论文的关联度、引用度及时间跨度。

其最大特点，在于能帮助你完成以下工作：

- 更加直观地了解新的学术领域；
- 确保你没错过重要论文；
- 为论文创建书目；
- 发现相关性较高的旧作品与衍生作品。

为了创建每个图形，开发人员挑选了约 50000 个论文的相互顺序，几十个与原始论文联系最紧密的论文进行分析，确保各项论文之间的精确度

编程 #速查表 ：42 School CheatSheet，发布于 C 语言诞生 50 年之际。

里面列举了新手开发者的常犯错误、软件编码指南、程序员开发工具配置、计算机编程学习资源（C 语言、算法、网络、黑客与安全）等内容

微软在 GitHub 开源了一个技术教程：《人工智能系统》，主要讲解支持 #人工智能 的计算机系统设计。课程分为三大模块：

模块一：AI基础知识与 #AI 系统的全栈概述，深度学习系统的系统性设计和方法学；
模块二：将介绍前沿系统和AI交叉的研究领域；
模块三：配套的实验课程，包括最主流的框架、平台和工具，以及一系列的实验项目。

课程设立的主要目的，是为了帮助本科生与研究生，更好的学习深度学习完整生命周期下的系统设计，寻找和定义有意义的研究问题。进一步提高解决实际问题的能力，而不仅仅是了解工具使用。

尼泊尔一名工程师在 GitHub 上开源的《数据科学学习指南》，帮你每天提升1%的数据科学技能。

该 #指南 包含电子表格与数据库的数据处理、命令行工具使用、数据分析与可视化技巧、论文阅读方法，各类模型与算法讲解等知识，另外还有商业思维培养、写作与沟通技巧等非技术类内容。

一个 #AI #量化交易 平台：Qlib，旨在寻求与挖掘 AI 技术在量化投资领域中的价值。

里面包含数据处理、模型训练、回溯测试的完整 ML 管道，并且覆盖了量化投资的整个链条：Alpha 探索、风险建模、投资组合优化和交易执行等功能

国内一位开发者在 GitHub 维护的免费 API 文档，每月不定期收录互联网上开放的 #API 接口。

包含域名拦截检测、OCR 识别、文本分类、新闻搜索、天气查询、单词翻译、图灵机器人、随机头像获取等接口