机器学习

长不大的蜡笔小新

从0到1学AlexNet：用经典网络搞定花分类任务大家好，我是刚入门深度学习的小白。前阵子想用代码给家里的花“认亲”，查了好多资料后发现，AlexNet这个经典网络特别适合入门。纯大白话讲明白，和我一样的新手看完就能上手。

INT305 Machine Learning 机器学习 Pt.9 Probabilistic Models（概率模型）我们知道机器学习由模型（model）、损失函数（loss function）、优化器（optimizer）和正则化器（regularizer）组成，我们这章将专注于模型和损失函数。

基于pytorch 自建AI大模型一、千万参数大模型核心源码（PyTorch实现）基于Transformer解码器架构，实现1200万参数大模型（可通过调整维度/层数扩展至千万级），支持文本自回归生成，代码精简且易理解： python

DAY 16 数组的常见操作和形状NumPy数组的维度通过中括号嵌套层数来判断：NumPy数组可以看作是PyTorch或TensorFlow中Tensor的基础版本。掌握NumPy操作能大大降低学习深度学习框架的难度。

【AI 解析】Gemini 3 全面解析：从认知到落地Gemini 3 是 Google 在通向通用智能（AGI）的路径上又一关键迭代，强调更强的多模态理解、更深的推理能力与更丰富的交互表现，尤其在“代理型（Agentic）”工作流与编码能力上显著增强（参考 Google 官方博客与发布说明）Google Blog。它不仅“看懂”文本与图像，还能对视频与音频进行综合理解，并以代码和可视化的方式来解释复杂概念。

AI大模型学徒

NLP基础(八)_马尔可夫模型马尔可夫模型（Markov Model）是一种数学模型，用于描述一个系统在某个时间点的状态如何随着时间转移到另一个状态，并假设未来的状态仅依赖于当前状态，而与过去状态无关，这就是著名的马尔可夫性（Markov property）。

奇异值分解(SVD)：深度理解神经网络的内在结构目录1. 引言2. 奇异值分解的数学基础2.1 基本定义2.2 矩阵维度的几何解释2.3 奇异值的性质

【机器学习】深入解析线性回归模型✨✨欢迎👍👍点赞☕️☕️收藏✍✍评论个人主页：秋邱’博客所属栏目：人工智能（感谢您的光临，您的光临蓬荜生辉）

人工智能、机器学习与深度学习：从概念到实践个人首页： VON鸿蒙系列专栏：鸿蒙开发小型案例总结综合案例：鸿蒙综合案例开发鸿蒙6.0：从0开始的开源鸿蒙6.0.0

学习中的数据喵

机器学习之逻辑回归逻辑回归虽然名字中有“回归”，但实际上是一种用于二分类的经典算法。其核心思想是：对输入特征 x，建模其属于正类（）的条件概率。该概率通过 Sigmoid 函数将线性组合映射到区间，并假设标签服从伯努利分布。在具体了解其之前，我们先了解几个定义。

学习笔记十五：连续与缺失值问题背景：我们之前讨论的决策树生成都是基于离散属性来进行的。然而，现实学习任务中常会遇到连续属性，因此有必要讨论如何在决策树学习中使用连续属性。

墨绿色的摆渡人

零碎的知识点（二十）：3D 高斯为什么是椭球好的，我现在从线性代数最基础开始，一步一步、不跳步骤、完全零基础地解释为什么：[ (x-\mu)^T \Sigma^{-1} (x-\mu) = \text{constant} ]

极客BIM工作室

VideoCAD：大规模CAD UI交互与3D推理视频数据集，开启智能CAD建模新范式在工程设计、智能制造等领域，计算机辅助设计（CAD）是当之无愧的核心工具。然而，传统CAD学习依赖专家经验的口传心授，缺乏大规模数据支撑的智能化方法——这一痛点，被《VideoCAD: A Large-Scale Video Dataset for Learning UI Interactions and 3D Reasoning from CAD》一文提出的VideoCAD数据集彻底改变。作为首个聚焦CAD UI交互与3D推理的大规模视频数据集，VideoCAD为AI驱动的智能CAD建模开辟了全新路径。

2025年Python机器学习全栈指南：从基础到AI项目部署Python作为机器学习领域的主流编程语言，凭借其丰富的生态库和易用性，在AI项目开发中占据核心地位。本文将系统介绍如何使用Python构建完整的机器学习全栈应用，涵盖从基础理论到项目部署的完整流程，帮助开发者掌握2025年机器学习领域的最新实践。

Learn Beyond Limits

Correlation vs Cosine vs Euclidean Distance｜相关性vs余弦相似度vs欧氏距离-----------------------------------------------------------------------------------------------

机器学习书籍在当今这个信息 ** 的时代，机器学习作为人工智能的一个重要分支，已经成为许多领域不可或缺的技术。对于想要深入了解机器学习的读者来说，一本好的机器学习书籍是必不可少的。本文将为您推荐几本值得一读的机器学习书籍，帮助您构建扎实的理论基础，并在实践中不断提升技能。

gorgeous(๑>؂<๑）

【ICLR26匿名投稿】Context-Aware ViT：让目标检测真正“看清上下文”的增强策略文章：Enhancing Vision Transformers for Object Detection via Context-Aware Token Selection and Packing

OCR 字符识别助手详解（含 Halcon 示例）OCR（Optical Character Recognition，光学字符识别）是将图像中的印刷体或手写体字符转换为可编辑文本的技术。Halcon 提供了专门的OCR 助手（OCR Assistant），通过可视化流程简化字符识别模型的训练、测试与部署，适用于工业检测、文档数字化等场景。

Git机器学习先说说代码版本控制。机器学习项目的代码通常包括数据加载、特征工程、模型定义、训练循环和评估脚本，这些文件动不动就互相依赖。比如你修改了数据增强策略，模型准确率提升了2%，但可能同时破坏了损失函数的计算逻辑。如果用Git来管理，每次实验前开个新分支，改完代码后提交并写清楚注释（例如“实验3：增加随机裁剪数据增强，学习率调整为0.001”），回头对比不同分支的评估结果就轻松多了。更实用的是标签功能：给关键提交打上标签，比如git tag -a "v1.0-baseline" -m "初始ResNet50基准模