Intel 是全球领先的半导体和计算解决方案提供商，致力于通过处理器、图形与人工智能技术推动个人计算和数据中心发展。其主页展示了面向消费者与企业的多条产品线，包括面向 AI 的 **Intel® Core™ Ultra**、面向数据中心的 **Intel® Xeon® 6** 处理器以及面向图形与边缘 AI 的 **Intel® Arc™ Graphics**。Intel 强调性能提升、电池寿命优化、AI 加速和生态系统合作，同时提供新闻、开发者资源、下载与技术支持，连接硬件、软件与合作伙伴生态，推动从原型到全球规模化的创新。
MIT xPRO 是麻省理工学院面向职业人士和企业提供的在线继续教育品牌，聚焦将前沿技术能力与领导力素养相结合，帮助个人和团队应对快速变化的行业挑战。平台提供短期课程与系统化项目式课程（如生成式AI、部署AI、系统工程、机器学习与量子计算等），课程形式强调**实操模拟、案例驱动**与**在职应用**，并由 MIT 教师与行业专家参与教学。完成课程可获得 MIT xPRO 的专业证书与继续教育学分（CEUs），同时支持企业定制化培训与团体学习，便于在组织内部推广一致的知识体系与技能标准。
365 Data Science 是一家专注于在线人工智能与数据科学职业培训的平台，致力于帮助学员快速完成职业转型并获得行业认可的证书。网站提供从入门到高级的课程体系、实战项目和职业路径（Career Tracks），并配套简历优化、模拟面试等求职支持。平台宣称 9/10 毕业生在学习后获得新岗位或职业提升，平均年薪提升约 29,000 美元，同时在 Trustpilot 上拥有高评分与大量好评。该平台还获得多项行业与教育机构的认证与认可，适合零基础或有一定经验的学习者用于系统化学习与求职准备。
DeepMind 是 Google 旗下的人工智能研究与产品平台，汇集尖端科研与实用模型，展示最新的生成式和物理智能技术。网站重点介绍了多种旗舰模型与工具，如 Gemini（通用智能模型）、Nano Banana（图像生成与编辑）、Veo（视频生成）、Gemma（开源模型家族）以及用于机器人感知的 Gemini Robotics。页面还包含研究成果与新闻动态，例如 AlphaFold、WeatherNext 等项目，强调负责与安全的合作与应用。
ArviZ 是一个面向贝叶斯模型的开源工具集，旨在与具体推断后端解耦，提供统一的探索性分析与诊断手段。项目跨语言、多库协作，包含 ArviZ.py、ArviZ.jl、xarray-einstats 等子库，并通过 GitHub 开发与社区共治，采用 Apache 或 MIT 等开源许可证免费发布。ArviZ 提供丰富的可视化、收敛诊断、后验汇总与模型比较功能，支持残差与预测检验（posterior predictive checks）以及基于 InferenceData 的标准化数据结构，便于与 PyMC、Stan、NumPyro 等生态对接并在科研与生产环境中复用。
Spinning Up 是 OpenAI 提供的深度强化学习（Deep RL）入门与实践文档，旨在为研究人员、工程师以及有志于学习强化学习的开发者提供系统化的教学资料与可复现代码实现。网站包含详尽的用户文档、算法实现说明、安装与运行实验的步骤、结果可视化与保存方法，以及面向研究者的进阶资源与关键论文索引。它同时提供多种经典强化学习算法（如 VPG、TRPO、PPO、DDPG、TD3、SAC）的理论背景与实现细节，并附带练习题、基准测试与性能比较，便于学习者通过实践掌握算法性能与调试技巧。文档还链接到 GitHub 源码仓库，方便下载、修改与贡献，是一个面向学习与研究的全面教学与工具集合。
Pyro 是一个以 Python 为实现语言、并以 PyTorch 作为后端支持的通用概率编程语言（PPL）。它结合了深度学习与贝叶斯建模的优点，旨在提供既具表达力又可扩展的概率模型构建工具。Pyro 强调四大设计原则：**通用性**（能表示任意可计算的概率分布）、**可扩展性**（能处理大规模数据）、**简约性**（由少量强大且可组合的抽象构成核心）及**灵活性**（在自动化与可控性之间提供平衡）。此外，Pyro 社区还推出了基于 NumPy 和 JAX 的衍生项目 NumPyro，针对 HMC 和 NUTS 等方法提供大幅加速。项目采用 Apache 2.0 许可证开源，并在学术和工业界（如多所高校与公司）得到广泛使用与引用。
PyMC 是一个面向 Python 的概率编程库，专注于构建贝叶斯模型并通过马尔可夫链蒙特卡洛（MCMC）等方法进行拟合与推断。它提供简洁友好的 Python API，使用户能够用熟悉的语法定义模型、采样后验并进行预测与不确定性量化。PyMC 集成了现代推断算法（如 NUTS、变分推断 ADVI）、使用 PyTensor 作为计算后端以提高性能并支持 GPU 加速，同时与 ArviZ 等可视化与诊断工具无缝对接。官网提供丰富的入门教程、示例笔记本和案例（如线性回归示例），并有活跃的社区支持（Discourse、GitHub、会议与办公开放时间）。此外，项目得到 NumFOCUS、PyMC Labs 等组织赞助并鼓励社区参与与贡献。
Stan 是一个用于贝叶斯数据分析的概率编程框架和工具链，支持从简单回归到复杂层级模型和时间序列的广泛建模需求。它提供了高效的采样与推断算法，使得在复杂数据结构下也能得到可解释且稳健的后验分布结果。Stan 同时具备多语言接口（如 R、Python、Julia 和命令行），便于在笔记本、计算集群或云端环境中集成与部署。其丰富的文档、教程和社区支持帮助用户在模型构建、验证与可视化方面快速上手并提升建模质量。
《Forecasting: Principles and Practice》第三版（在线版本通常称为 fpp3）是一本面向实践的时间序列预测教科书，免费在线提供，适合没有系统预测训练的从业者、商科本科生和 MBA/硕士生使用。该书以 R 语言为工具，推荐并使用 fpp3 生态（包括 tsibble、fable、feasts 等包），通过大量真实业务案例和数据集讲解预测方法与建模流程。书中强调**图形化探索**、模型诊断与可视化，并在章节末提供进一步阅读和参考文献。此外，在线版本持续更新，配有视频讲解和社区讨论渠道，便于读者获取最新修订与使用支持。
Deep Graph Library（通常简称 DGL）是一个面向图神经网络（GNN）的开源深度学习库，旨在简化图数据上的深度学习建模与训练流程。它支持多种深度学习框架（如 PyTorch、TensorFlow、Apache MXNet），提供高效的消息传递原语以加速 GNN 训练，并通过多 GPU 与分布式训练机制扩展到超大规模图。DGL 拥有丰富的生态与示例项目（如 DGL-KE、DGL-LifeSci），包括教程、博客、论坛和 Slack 社区，方便用户快速上手与交流。此外，DGL 不断发布新版（例如 DGL 1.0、2.0、2.1），持续改进数据加载、GraphBolt 数据流水线的 GPU 加速与 BFloat16 CPU 加速等性能优化，使其适用于科研与工业级应用场景。
PyG（PyTorch Geometric）是基于 PyTorch 的图神经网络（GNN）库，旨在简化在图、网格和点云等非规则结构上构建与训练深度学习模型的工作流程。它整合了大量来自学术论文的 GNN 方法、常用数据集接口以及便捷的预处理与变换工具，支持 mini-batch 训练、多 GPU 训练、torch.compile 优化以及 DataPipe 等现代 PyTorch 功能。PyG 同时提供详尽的教程、示例代码、Cheatsheet 和完整的包参考，覆盖从入门示例到高级主题（如分布式训练、内存高效聚合和层次化采样）等多方面内容。官方文档持续发布多个版本，社区活跃并在 GitHub 和 Slack 上提供支持与协作渠道。
Albumentations 是一个面向计算机视觉的图像增强库，旨在通过高效、可扩展的增强方法提升深度神经网络在有限数据下的表现。它提供了丰富的变换集合（像素级与空间级）、对不同目标类型（图像、分割掩码、边界框、关键点等）的统一支持，以及与 PyTorch、TensorFlow 等主流框架的无缝集成。该库强调性能与可复现性，支持 YAML/JSON 序列化增强管道并提供基准测试以验证开销最小化的实现。在科研、工业、竞赛（如 Kaggle）和开源项目中被广泛采用，并由多个大厂与研究机构信赖与引用。
spaCy 是一个面向生产环境的自然语言处理（NLP）库，专注于高性能的信息抽取与大规模文本处理。它提供易用且富有生产力的 API，支持超过 75 种语言和大量预训练流水线，能够处理命名实体识别、词性标注、依存句法分析、文本分类等多项任务。spaCy 同时兼容 Transformers、PyTorch、TensorFlow 等主流框架，支持模型打包、部署与可复现训练，适合从原型到生产的完整工作流。借助丰富的生态（如 Prodigy 标注工具与 spacy-llm 集成），用户可以高效地进行模型开发、评估和迭代。
Stable-Baselines3（简称 SB3）是基于 PyTorch 的一套可靠的强化学习算法实现，继承并改进了早期的 Stable Baselines 项目。它提供了多种主流 RL 算法（如 PPO、DQN、SAC、TD3、A2C、DDPG、HER 等）的统一接口与实现，并注重代码风格一致性、完整文档和测试覆盖。项目还配套了 RL Baselines3 Zoo（包含预训练模型、训练脚本与可视化工具）、SB3 Contrib（实验性算法扩展）以及 SBX（JAX 实现的变体），并支持导出模型到 ONNX、TFLite 等格式以及与 TensorBoard、Weights & Biases、Hugging Face 等工具集成。该文档详细覆盖安装、示例、向量化环境、策略网络定制、回调与导出等使用与开发指南，适合科研与工程化训练流程。
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）是世界领先的计算机科学与人工智能研究机构，汇聚了大量教授、研究人员和学生，覆盖从人工智能与机器学习到人机交互、编程语言与软件工程等广泛领域。该网站展示了科研项目、团队成员、新闻报道和视频资料，便于公众、学者与产业界了解最新研究进展与合作机会。CSAIL 强调跨学科合作与技术转化，推动基础研究向现实世界应用落地，同时提供教育与公开资源以支持学术交流与人才培养。网站内容结构清晰，包含项目目录、研究小组、新闻动态和多媒体档案，适合检索与跟踪前沿科研成果。
RFCx（Rainforest Connection）是一家利用声音与人工智能保护雨林与监测生物多样性的非营利组织。通过将全天候的声学传感器与云端AI模型相结合，RFCx 实现对非法伐木、偷猎等威胁的实时检测，并将告警发送给地面合作伙伴以便快速响应。其旗下的 Arbimon 平台提供免费且可扩展的生态声学数据管理与物种识别工具，支持全球研究项目的数据分析和长期监测。RFCx 还推出面向公众的移动应用，让用户实时收听世界各地的雨林声音，增强公众参与与保护意识。组织与70多个合作伙伴在37个国家开展项目，累积海量音频数据与物种识别记录，为保护濒危物种和生态系统提供了数据驱动的支持。
Pachama 是一家以遥感和数据驱动为核心的气候科技公司，致力于通过技术支持自然修复与碳移除项目的甄选、尽职调查与长期监测。其平台整合卫星影像、地面数据和先进的算法（通常称为 DMRV：动态测量、报告与验证），为企业和投资者提供可核查的项目筛选与绩效跟踪能力。Pachama 的产品线包括 Source、Diligence、Track 等模块，能够在短时间内收集标准化数据、自动化筛查并持续验证项目成长与风险。2025 年已被 Carbon Direct 收购，技术与产品将协助扩大碳市场与自然基解决方案的规模化部署。
Wildlife Insights（野生动物洞察）是一个将先进科技与生物多样性保护结合的平台，致力于帮助研究者、保护组织和社区管理与分析相机陷阱（camera trap）数据。平台提供在线存储、快速批量上传与分享功能，并通过机器学习模型自动识别照片中的物种，大幅降低人工标注成本。用户还可以利用内置的数据分析和可视化工具生成地图与图表，支持基于证据的决策与保护行动。该平台鼓励全球协作与数据共享，支持不同项目与机构之间的知识交流与复用，从而推动更广泛的物种保护与科研工作。
OpenCV（Open Computer Vision Library）是全球最大、最广泛使用的开源计算机视觉库之一，由非营利组织 Open Source Vision Foundation 运营，起始于 2000 年。该网站展示了 OpenCV 的核心库和生态系统，包括超过 2500 个算法、面向实时应用的高性能实现以及对多语言接口（C++、Python、Java）的支持。网站同时提供丰富的学习资源（文档、教程、课程与免费速成课）、社区渠道（论坛、GitHub、Slack 等）以及商业支持与服务（OpenCV.AI 咨询、OpenCV University、面部识别产品和会员商店）。OpenCV 使用 Apache 2 许可，允许商业用途，且支持跨平台（Linux、macOS、Windows、iOS、Android），适合研究、工程和产业化部署。网站还发布博客、新闻和合作伙伴信息，帮助开发者获取最新技术、示例与最佳实践。
SIAM（Society for Industrial and Applied Mathematics）是一个致力于应用数学、计算科学与数据科学的国际性专业学会。该网站介绍了SIAM的主要活动，包括学术出版、会议活动、专业发展、奖项与项目倡议等，旨在为成员提供交流平台、职业资源和学术影响力。SIAM通过高质量的同行评审期刊、教材和会议，推动理论与工程实践之间的联系，并为学生与早期职业研究者提供奖学金、竞赛和职业培训机会。网站同时提供新闻、活动信息及会员资源，便于学术界与工业界保持紧密互动与合作。
Towards Data Science 是一个面向数据科学、机器学习与人工智能领域的在线媒体社群与专栏集合，汇集来自研究者、工程师和行业从业者的高质量文章与实操教程。网站内容涵盖模型原理解析、工程实践、代码示例、论文解读、职业发展建议和行业趋势评论，并通过专题栏目与编辑推荐帮助读者快速发现重要内容。无论是入门学习者需要的逐步教程，还是研究人员寻找的深度论文复盘，Towards Data Science 都提供了多样化的阅读路径和可复现的示例，便于读者在理论与实践之间建立联系。网站还定期发布通讯（Newsletter）与专题深度（Deep Dives），以便读者跟进最新研究与实战经验。
斯坦福自然语言处理组（Stanford NLP Group）是斯坦福大学内专注于自然语言处理（NLP）研究与教育的学术团体，成员包括师生、博士后与研究工程师。该小组在计算语言学、机器学习与人类语言技术应用方面开展基础与应用研究，同时关注跨学科领域如计算社会科学与认知科学。组内还开发并维护多种面向社区的工具与教育资源，例如支持六十多种语言处理的 Stanza 工具包，促进研究成果的传播与实际应用转化。小组与斯坦福人工智能实验室（SAIL）、HAI、CRFM 等机构紧密协作，形成广泛的学术与工程生态。
Gymnasium 是一个面向强化学习的 API 标准和参考环境集合，是 OpenAI Gym 的维护分支与延续。它提供简单且“pythonic”的接口，能够统一表示常见的强化学习问题，并包含丰富的参考环境（如 Lunar Lander 等）以便测试和比较算法。项目提供迁移指南以兼容旧版 Gym 环境，同时支持多种渲染模式、环境重置与步进（reset/step）等核心交互流程。文档中还列出了版本历史与安装使用示例，使开发者能方便地在不同版本间切换与升级。
