《机器学习》第 1 章 - 机器学习概述

啊阿狸不会拉杆2026-01-20 22:02

一、前言

大家好！今天开始我们《机器学习》系列的第一篇内容 ------ 机器学习概述。这一章是机器学习的入门基石，我会用通俗易懂的语言拆解核心概念，搭配可直接运行的 Python 代码、可视化对比图和思维导图，帮大家建立对机器学习的整体认知。所有代码都经过实测，注释详尽，新手也能轻松上手！

二、正文内容

1.1 机器学习基本概念

1.1.1 人工智能与机器学习

核心认知：

人工智能（AI）是大范畴，目标是让机器具备人类智能；

机器学习（ML）是实现 AI 的核心手段，让机器通过数据学习规律，而非硬编码规则。

代码实现（AI/ML 概念可视化对比）：用 matplotlib 绘制层级关系图，直观展示 AI、ML、深度学习的包含关系：

复制代码 
import matplotlib.pyplot as plt
import numpy as np

# 设置中文字体，避免乱码
plt.rcParams['font.sans-serif'] = ['SimHei']  # 黑体
plt.rcParams['axes.unicode_minus'] = False

# 创建画布
fig, ax = plt.subplots(figsize=(8, 6))

# 绘制层级矩形
# AI（最大）
ax.add_patch(plt.Rectangle((1, 1), 8, 6, fill=True, color='lightblue', alpha=0.5, label='人工智能 AI'))
# ML（中间）
ax.add_patch(plt.Rectangle((2, 2), 6, 4, fill=True, color='lightgreen', alpha=0.7, label='机器学习 ML'))
# 深度学习（最小）
ax.add_patch(plt.Rectangle((3, 3), 4, 2, fill=True, color='salmon', alpha=0.9, label='深度学习 DL'))

# 设置坐标轴范围
ax.set_xlim(0, 10)
ax.set_ylim(0, 8)

# 添加文字标注
ax.text(5, 6.5, '人工智能（AI）：让机器模拟人类智能', ha='center', fontsize=10)
ax.text(5, 4.5, '机器学习（ML）：从数据中学习规律实现AI', ha='center', fontsize=10)
ax.text(5, 2.5, '深度学习（DL）：基于神经网络的ML分支', ha='center', fontsize=10)

# 显示图例和标题
ax.legend(loc='upper right')
ax.set_title('AI、机器学习、深度学习的关系', fontsize=12, fontweight='bold')
ax.axis('off')  # 隐藏坐标轴

# 显示图像
plt.show()

运行效果：会弹出一个窗口，展示三层嵌套的矩形，分别对应 AI（浅蓝色）、ML（浅绿色）、深度学习（浅红色），并标注核心定义，直观理解三者的包含关系。

1.2 机器学习基本术语

核心术语：

  • 样本 / 实例：单个数据（如一张图片、一条用户记录）
  • 特征：样本的属性（如图片的像素值、用户的年龄）
  • 标签：样本的目标值（如图片的类别、用户的消费金额）
  • 训练集：用于模型学习的数据
  • 测试集：用于验证模型效果的数据

代码实现（术语可视化 + 数据示例）：用鸢尾花数据集演示核心术语，结合图片特征对比（原始图 vs 特征提取后图）：

python 复制代码 
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from PIL import Image
import os

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# ---------------------- 1. 鸢尾花数据集术语演示 ----------------------
iris = load_iris()
X = iris.data  # 特征矩阵（样本×特征）
y = iris.target  # 标签
feature_names = iris.feature_names
target_names = iris.target_names

# 打印基础信息，理解术语
print("【样本数量】：", X.shape[0])
print("【特征数量】：", X.shape[1], "，特征名：", feature_names)
print("【标签类别】：", len(target_names), "，类别名：", target_names)
print("【前2个样本的特征】：\n", X[:2])
print("【前2个样本的标签】：\n", y[:2], "（对应：", [target_names[i] for i in y[:2]], "）")

# ---------------------- 2. 图片特征对比 ----------------------

CUSTOM_IMAGE_PATH = "../picture/TianHuoSanXuanBian.jpg"  # 改成你的图片路径（支持jpg/png等格式）

try:
    # 加载自定义图片
    img = Image.open(CUSTOM_IMAGE_PATH)

    # 统一调整图片尺寸为200×200（避免尺寸不一致导致的维度错误）
    img = img.resize((200, 200), Image.Resampling.LANCZOS)  # 兼容新版PIL的resize方法
    print(f"\n【图片加载成功】：尺寸为 {img.size}")

    # 转换为灰度图（模拟特征提取）
    img_gray = img.convert('L')

    # PCA降维可视化（模拟特征压缩）
    img_array = np.array(img).reshape(-1, 3)  # 展平为40000×3（200*200=40000个像素，每个像素3个通道）
    pca = PCA(n_components=1)  # 降维到1维，保证能重塑为200×200
    img_pca = pca.fit_transform(img_array).reshape(200, 200)

    # 绘制对比图
    fig, axes = plt.subplots(1, 3, figsize=(15, 5))

    # 原始彩色图
    axes[0].imshow(img)
    axes[0].set_title('原始彩色图（原始特征）', fontsize=10)
    axes[0].axis('off')

    # 灰度图（特征简化）
    axes[1].imshow(img_gray, cmap='gray')
    axes[1].set_title('灰度图（特征提取）', fontsize=10)
    axes[1].axis('off')

    # PCA降维图（特征压缩）
    axes[2].imshow(img_pca, cmap='viridis')
    axes[2].set_title('PCA降维图（特征压缩）', fontsize=10)
    axes[2].axis('off')

    plt.suptitle('机器学习术语：特征提取示例（自定义图片）', fontsize=12, fontweight='bold')
    plt.tight_layout()
    plt.show()

except FileNotFoundError:
    print(f"\n【错误】：找不到图片文件，请检查路径是否正确！当前路径：{CUSTOM_IMAGE_PATH}")
    print("提示：Windows路径示例：r'D:\\图片\\test.jpg' 或 '/Users/xxx/test.jpg'（Mac/Linux）")
except Exception as e:
    print(f"\n【错误】：图片加载失败，原因：{str(e)}")
    print("支持的图片格式：jpg、png、bmp等，建议避免使用特殊字符/中文路径（若必须用，确保Python编码支持）")

运行效果：

  1. 控制台打印鸢尾花数据集的样本、特征、标签信息，理解核心术语；
  2. 弹出对比窗口，展示 "原始彩色图→灰度图→PCA 降维图"，直观理解 "特征提取 / 压缩" 的含义。

1.3 机器学习误差分析

核心概念：

  • 训练误差：模型在训练集上的误差（越小不代表越好，可能过拟合）
  • 测试误差：模型在测试集上的误差（反映泛化能力）
  • 过拟合：训练误差小，测试误差大；欠拟合：训练 / 测试误差都大

代码实现（误差对比可视化）：用多项式回归演示欠拟合、正常、过拟合的误差对比：

复制代码 
import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1. 生成模拟数据（非线性关系）
np.random.seed(42)  # 固定随机种子，结果可复现
x = np.linspace(-3, 3, 100).reshape(-1, 1)  # 特征
y = np.sin(x) + np.random.normal(0, 0.1, x.shape)  # 标签（加噪声）

# 划分训练集/测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)

# 2. 定义不同复杂度的模型
def fit_polynomial(x_train, y_train, x_test, y_test, degree):
    """拟合多项式回归，返回预测值和误差"""
    # 构造多项式特征
    poly = PolynomialFeatures(degree=degree)
    x_train_poly = poly.fit_transform(x_train)
    x_test_poly = poly.transform(x_test)
    
    # 训练模型
    model = LinearRegression()
    model.fit(x_train_poly, y_train)
    
    # 预测并计算误差
    y_train_pred = model.predict(x_train_poly)
    y_test_pred = model.predict(x_test_poly)
    train_error = mean_squared_error(y_train, y_train_pred)
    test_error = mean_squared_error(y_test, y_test_pred)
    
    # 生成全量x的预测值（绘图用）
    x_poly = poly.transform(np.linspace(-3, 3, 100).reshape(-1, 1))
    y_pred = model.predict(x_poly)
    
    return y_pred, train_error, test_error

# 3. 拟合不同阶数的模型
degrees = [1, 3, 15]  # 1阶（欠拟合）、3阶（正常）、15阶（过拟合）
y_preds = []
errors = []
for d in degrees:
    y_pred, train_err, test_err = fit_polynomial(x_train, y_train, x_test, y_test, d)
    y_preds.append(y_pred)
    errors.append((train_err, test_err))

# 4. 绘制对比图
fig, axes = plt.subplots(2, 1, figsize=(10, 10))

# 子图1：不同模型的拟合效果
axes[0].scatter(x, y, color='blue', alpha=0.5, label='原始数据')
labels = ['欠拟合（1阶）', '正常拟合（3阶）', '过拟合（15阶）']
colors = ['red', 'green', 'orange']
for i, (y_pred, label, color) in enumerate(zip(y_preds, labels, colors)):
    axes[0].plot(np.linspace(-3, 3, 100), y_pred, color=color, label=label)
axes[0].set_title('拟合效果对比（欠拟合/正常/过拟合）', fontsize=12, fontweight='bold')
axes[0].legend()
axes[0].grid(True, alpha=0.3)

# 子图2：训练误差vs测试误差
x_axis = np.arange(len(degrees))
width = 0.35
train_errors = [e[0] for e in errors]
test_errors = [e[1] for e in errors]
axes[1].bar(x_axis - width/2, train_errors, width, label='训练误差', color='skyblue')
axes[1].bar(x_axis + width/2, test_errors, width, label='测试误差', color='salmon')
axes[1].set_xticks(x_axis)
axes[1].set_xticklabels(['1阶', '3阶', '15阶'])
axes[1].set_title('训练误差 vs 测试误差', fontsize=12, fontweight='bold')
axes[1].set_ylabel('均方误差（MSE）')
axes[1].legend()
axes[1].grid(True, alpha=0.3, axis='y')

# 标注误差值
for i, (te, te2) in enumerate(zip(train_errors, test_errors)):
    axes[1].text(i - width/2, te + 0.01, f'{te:.4f}', ha='center', fontsize=8)
    axes[1].text(i + width/2, te2 + 0.01, f'{te2:.4f}', ha='center', fontsize=8)

plt.tight_layout()
plt.show()

# 打印误差详情
print("【误差详情】")
for i, d in enumerate(degrees):
    print(f"{labels[i]}：训练误差={errors[i][0]:.4f}，测试误差={errors[i][1]:.4f}")

运行效果：

  1. 上半部分展示不同阶数模型的拟合曲线：1 阶（直线，欠拟合）、3 阶（贴合数据，正常）、15 阶（曲线过于复杂，过拟合）；
  2. 下半部分展示误差对比：欠拟合时训练 / 测试误差都大，过拟合时训练误差极小但测试误差骤增。

1.4 机器学习发展历程

核心时间线：

  • 1950s：萌芽期（图灵测试、感知机提出）
  • 1980s：符号学习主导（专家系统）
  • 1990s：统计学习兴起（SVM、逻辑回归）
  • 2010s：深度学习爆发（AlexNet、GPT）
  • 2020s：大模型时代（GPT-4、文心一言）

1.5 机器学习与统计学习

1.5.1 感知机与连接学习

核心概念：感知机是最简单的神经网络，属于连接学习（模拟神经元连接），是深度学习的基础。

代码实现（感知机分类演示）：

复制代码 
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import make_classification
from sklearn.linear_model import Perceptron
from sklearn.metrics import accuracy_score

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1. 生成二分类模拟数据
X, y = make_classification(
    n_samples=100, n_features=2, n_informative=2, 
    n_redundant=0, n_clusters_per_class=1, random_state=42
)

# 2. 训练感知机模型
perceptron = Perceptron(random_state=42)
perceptron.fit(X, y)

# 3. 预测并计算准确率
y_pred = perceptron.predict(X)
accuracy = accuracy_score(y, y_pred)
print(f"感知机分类准确率：{accuracy:.2f}")

# 4. 绘制决策边界
# 生成网格点
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.01),
                     np.arange(y_min, y_max, 0.01))

# 预测网格点类别
Z = perceptron.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

# 绘图
plt.figure(figsize=(8, 6))
# 决策边界
plt.contourf(xx, yy, Z, alpha=0.3, cmap=plt.cm.Spectral)
# 样本点
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', cmap=plt.cm.Spectral)
plt.title(f'感知机（连接学习）决策边界（准确率：{accuracy:.2f}）', fontsize=12, fontweight='bold')
plt.xlabel('特征1')
plt.ylabel('特征2')
plt.show()

运行效果：弹出窗口展示感知机的决策边界，不同颜色代表不同类别，直观看到感知机通过线性边界划分两类数据，准确率接近 100%（模拟数据线性可分）。

1.5.2 符号学习与统计学习

核心对比：

维度 符号学习 统计学习
核心思想 基于规则 / 逻辑推理 基于数据 / 概率统计
代表方法 决策树（早期）、专家系统 逻辑回归、SVM、贝叶斯
数据依赖 少数据，多规则 多数据，少规则
可解释性 强（规则清晰） 弱（黑箱）

1.6 连接学习的兴起

核心原因：

  1. 数据量爆发（大数据）；
  2. 算力提升（GPU/TPU）；
  3. 算法优化（ReLU 激活、残差网络）；
  4. 效果超越传统统计学习（图像、NLP 任务）。

1.7 机器学习基本问题

1.7.1 特征提取

核心概念：从原始数据中提取有价值的信息（如图片→灰度值 / 边缘特征，文本→TF-IDF / 词向量）。

代码实现（图片特征提取对比：原始图 vs 边缘检测图）：

python 复制代码 
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
import cv2  # 需要安装：pip install opencv-python

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# ========== 替换为你的自定义图片路径 ==========
CUSTOM_IMAGE_PATH = r"../picture/XiaoKa.png"

try:
    # 1. 加载自定义图片（先用PIL读取，避免OpenCV的BGR/RGB格式问题）
    img_pil = Image.open(CUSTOM_IMAGE_PATH)
    # 统一调整图片尺寸为300×300（保持和原代码一致的尺寸，也可自定义）
    img_pil = img_pil.resize((300, 300), Image.Resampling.LANCZOS)
    # 转换为OpenCV兼容的numpy数组（PIL是RGB，OpenCV默认BGR，需转换）
    img_color = cv2.cvtColor(np.array(img_pil), cv2.COLOR_RGB2BGR)
    print(f"【图片加载成功】：尺寸为 {img_color.shape[:2]}（高×宽）")

    # 2. 特征提取：灰度化
    img_gray = cv2.cvtColor(img_color, cv2.COLOR_BGR2GRAY)

    # 3. 特征提取：边缘检测（Canny）
    # 可调整阈值（100/200）改变边缘检测效果，比如50/150会检测更多边缘
    img_edge = cv2.Canny(img_gray, 100, 200)

    # 4. 绘制对比图（注意OpenCV的BGR转RGB后再显示，否则颜色会失真）
    fig, axes = plt.subplots(1, 3, figsize=(15, 5))

    # 原始彩色图（转RGB后显示）
    axes[0].imshow(cv2.cvtColor(img_color, cv2.COLOR_BGR2RGB))
    axes[0].set_title('原始彩色图（原始数据）', fontsize=10)
    axes[0].axis('off')

    # 灰度图（基础特征提取）
    axes[1].imshow(img_gray, cmap='gray')
    axes[1].set_title('灰度图（基础特征提取）', fontsize=10)
    axes[1].axis('off')

    # 边缘检测图（高级特征提取）
    axes[2].imshow(img_edge, cmap='gray')
    axes[2].set_title('边缘检测图（高级特征提取）', fontsize=10)
    axes[2].axis('off')

    plt.suptitle('特征提取：从原始数据到有效特征（自定义图片）', fontsize=12, fontweight='bold')
    plt.tight_layout()
    plt.show()

except FileNotFoundError:
    print(f"\n【错误】：找不到图片文件！请检查路径是否正确：")
    print(f"当前设置的路径：{CUSTOM_IMAGE_PATH}")
    print("✅ 正确路径示例（Windows）：r'D:\\图片\\flower.jpg'")
    print("✅ 正确路径示例（Mac/Linux）：'/Users/xxx/flower.jpg'")
except Exception as e:
    print(f"\n【错误】：图片处理失败，原因：{str(e)}")
    print("💡 常见问题：1. 图片格式不支持（建议jpg/png）；2. 路径含中文/特殊字符；3. OpenCV版本兼容问题")

运行效果：展示三张图：原始彩色图（带蓝色矩形）→灰度图（简化特征）→边缘检测图（提取核心边缘特征），直观理解特征提取的核心是 "保留关键信息，简化数据"。

1.7.2 规则构造

核心概念：为模型制定决策规则（如 "如果花瓣长度> 5cm，则为维吉尼亚鸢尾花"），是符号学习的核心。

代码实现（简单规则构造与验证）：

复制代码 
import numpy as np
from sklearn.datasets import load_iris

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征：[花萼长, 花萼宽, 花瓣长, 花瓣宽]
y = iris.target
target_names = iris.target_names

# 构造规则：花瓣长度（第2列）> 5 → 维吉尼亚鸢尾花（标签2）
def rule_based_classifier(x):
    """基于规则的分类器"""
    petal_length = x[2]
    if petal_length > 5:
        return 2  # 维吉尼亚鸢尾花
    elif petal_length < 2:
        return 0  # 山鸢尾花
    else:
        return 1  # 变色鸢尾花

# 验证规则效果
y_pred = [rule_based_classifier(x) for x in X]
accuracy = np.sum(y_pred == y) / len(y)
print(f"规则构造分类准确率：{accuracy:.2f}")

# 打印规则匹配示例
print("\n【规则匹配示例】")
for i in range(5):
    print(f"样本{i}：花瓣长度={X[i,2]:.2f} → 预测类别={target_names[y_pred[i]]}，真实类别={target_names[y[i]]}")

运行效果：控制台打印规则分类的准确率（约 0.95），以及前 5 个样本的规则匹配结果，理解 "规则构造" 是通过人工 / 自动方式制定决策逻辑。

1.7.3 模型评估

核心概念：用指标（准确率、召回率、MSE）评估模型效果，核心是 "泛化能力"（对新数据的预测能力）。

代码实现（多指标模型评估）：

复制代码 
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import (accuracy_score, precision_score, 
                             recall_score, f1_score, confusion_matrix)

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1. 生成二分类数据
X, y = make_classification(n_samples=200, n_features=5, n_informative=3, 
                           random_state=42, class_sep=0.8)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 2. 训练模型
model = LogisticRegression(random_state=42)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

# 3. 计算评估指标
metrics = {
    '准确率': accuracy_score(y_test, y_pred),
    '精确率': precision_score(y_test, y_pred),
    '召回率': recall_score(y_test, y_pred),
    'F1分数': f1_score(y_test, y_pred)
}

# 4. 绘制指标对比图
plt.figure(figsize=(8, 5))
keys = list(metrics.keys())
values = list(metrics.values())
colors = ['skyblue', 'lightgreen', 'salmon', 'gold']

plt.bar(keys, values, color=colors)
# 标注数值
for i, v in enumerate(values):
    plt.text(i, v + 0.01, f'{v:.3f}', ha='center', fontsize=10)

plt.title('模型评估指标', fontsize=12, fontweight='bold')
plt.ylim(0, 1.1)
plt.grid(True, alpha=0.3, axis='y')
plt.show()

# 5. 混淆矩阵（直观展示分类效果）
cm = confusion_matrix(y_test, y_pred)
plt.figure(figsize=(6, 4))
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
plt.title('混淆矩阵', fontsize=12, fontweight='bold')
plt.colorbar()
plt.xlabel('预测标签')
plt.ylabel('真实标签')
# 标注数值
thresh = cm.max() / 2
for i in range(cm.shape[0]):
    for j in range(cm.shape[1]):
        plt.text(j, i, format(cm[i, j], 'd'),
                 ha="center", va="center",
                 color="white" if cm[i, j] > thresh else "black")
plt.tight_layout()
plt.show()

# 打印指标详情
print("【模型评估指标详情】")
for k, v in metrics.items():
    print(f"{k}：{v:.3f}")

运行效果：

  1. 第一个窗口展示准确率、精确率、召回率、F1 分数的柱状图；
  2. 第二个窗口展示混淆矩阵，直观看到 "真阳性、假阳性、真阴性、假阴性" 的数量。

1.8 习题

  1. 基础题：修改 1.3 节的多项式回归代码，尝试 degree=5 和 degree=10，观察训练 / 测试误差的变化，分析是否过拟合。
  2. 进阶题：基于 1.7.1 节的特征提取代码，尝试用不同的边缘检测阈值（Canny 的 100/200 改为 50/150），观察特征提取效果的变化。
  3. 综合题：加载 sklearn 的葡萄酒数据集（load_wine），构造规则分类器，并评估模型效果（准确率、混淆矩阵）。

三、环境依赖说明

所有代码需安装以下库，执行命令：

复制代码 
pip install numpy matplotlib scikit-learn pillow opencv-python

四、总结

关键点回顾

  1. 机器学习是实现人工智能的核心手段，深度学习是机器学习的分支，三者是包含关系；
  2. 机器学习的核心是 "从数据中学习规律"，关键环节包括特征提取、规则 / 模型构造、模型评估；
  3. 误差分析是判断模型效果的核心：欠拟合（误差都大）、过拟合（训练误差小，测试误差大），泛化能力是模型的核心目标。

五、结尾

本章是机器学习的入门基础，后续会逐步深入讲解监督学习、无监督学习等核心内容。如果代码运行有问题，欢迎评论区交流；如果觉得有帮助，记得点赞收藏！

相关推荐
咚咚王者2 小时前
人工智能之核心基础 机器学习 第十八章 经典实战项目
人工智能·机器学习
DuHz2 小时前
矩阵束法（Matrix Pencil）用于 FMCW 雷达干扰抑制：论文精读
人工智能·机器学习·矩阵
编程小风筝2 小时前
机器学习和稀疏建模的应用场景和优势
人工智能·机器学习
Kakaxiii2 小时前
【2025.8 npj】图检索增强的大型语言模型用于面部表型相关的罕见遗传疾病
人工智能·语言模型·自然语言处理
程序员小嬛2 小时前
(TETCI 2024) 从 U-Net 到 Transformer：即插即用注意力模块解析
人工智能·深度学习·机器学习·transformer
SEO_juper3 小时前
生成式引擎优化（GEO）终极指南：优化品牌在对话式AI中的呈现与推荐
人工智能·chatgpt·seo·geo·数字营销
小程故事多_803 小时前
AI Agent进阶架构：用渐进式披露驯服复杂性
人工智能·架构
人工智能AI技术4 小时前
【Agent从入门到实践】10 决策模块：Agent如何“思考问题”
人工智能
qq_527887875 小时前
联邦经典算法Fedavg实现
人工智能·深度学习
热门推荐
01GitHub 镜像站点02OpenCode 入门教程：介绍 · 安装 · 配置第三方 API (如 Claude)032025 Telegram 最新免费社工库机器人（LetsTG可[特殊字符]）搭建指南（含 Python 脚本）04安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）05AI 规范驱动开发“三剑客”深度对比：Spec-Kit、Kiro 与 OpenSpec 实战指南06Linux下V2Ray安装配置指南07UV安装并设置国内源08BongoCat - 跨平台键盘猫动画工具09Claude Code Skills 实用使用手册10网站改了域名，如何查找？