机器学习

阿里云大数据AI技术

光轮智能 × 阿里云：共建 Physical AI 云上数据、评测与持续学习基础设施让数据、评测与学习系统实现规模化运行近日，光轮智能与阿里云达成深度合作。双方将依托光轮智能在 Egocentric 数据与仿真评测构建的 Physical AI 基础设施，以及阿里云人工智能平台 PAI 的 AI 工程化能力和云计算资源，共同建设面向 Physical AI 的云上基础设施，加速数据生产、仿真评测、持续学习与开放生态的规模化发展。

大模型的"聪明"从哪来？聊聊 AI 数据集的那些事儿你以为大模型靠的是算力和算法？其实最关键的，是数据。每次和朋友聊起 AI，总会有人问："GPT 这么聪明，是不是因为它算力特别强？"

罗西的思考

机器人 / 强化学习】HIL-SERL：人类在环驱动的具身智能进化框架0x00 概要0x01 真机 RL 的"最后一公里"0x02 设计哲学：三句话讲清 HIL-SERL 怎么想

【机器学习】（3）—— 线性回归：梯度下降摘要：损失函数告诉我们模型「错得有多严重」，但参数 ww w 和 bb b 究竟该如何自动调到最优？本文介绍梯度下降（Gradient Descent）——通过反复计算梯度、沿损失下降方向小步更新参数，最终找到使 MSE 最小的权重与偏置。全文延续汽车油耗示例，包含完整手算推演与可运行的 Python 代码。适合已阅读前两篇的读者。

【机器学习】（2）—— 线性回归：损失函数摘要：上一篇我们建立了线性回归模型 y′=b+w1x1y' = b + w_1 x_1 y′=b+w1x1，但「模型好不好」仍需一个可量化的标准。本文围绕**损失函数（Loss）**展开，解释它如何衡量预测与真实值的差距，对比 L1/MAE 与 L2/MSE/RMSE 的差异，并结合汽车油耗示例说明如何在存在异常值时选择合适的损失。适合已了解线性回归基本方程的读者。

# 机器学习：机器是怎么从数据里学出规则的学习之前,我们来看传统编程是怎么运行的这也被称为:硬编码, 程序员把规则写进去,机器按规则执行但是,如果规则太过复杂,复杂到程序员自己都说不清楚了,怎么办?

用AI全自动剪辑，日更 100条爆款视频——HyperFrames、Remotion、Git使用入门我之前发过一条视频。其实，也不止这条，还有好几条都是一样风格的——出镜讲话，左侧跟着一块动画演示，卡片滑入、文字出现、节奏跟着内容走

我在飞书里养了个“分身”——私聊喊它办事，群里 @ 它干活，还能替我传话先给你看一个我每天都在用的画面。我在飞书里私聊一个"人"：帮我看看今天的数据。过几秒，它把结果回给我了。

哥布林学者

深度学习进阶（三十一）FlashAttention：IO 感知的精确注意力上一篇我们把现代大模型的五个核心模块拼回了 LLaMA 这个完整案例中，可以看到注意力机制仍然是计算最密集的部分。

通信小呆呆

当算法有了“五感”：多模态数据融合如何向人体感官协同学习？你有没有想过：为什么自动驾驶汽车在浓雾中容易“失明”，而人类司机却能凭耳朵听到对向车鸣笛、凭身体感受到路面颠簸，依然做出正确判断？为什么智能音箱在嘈杂环境下常常“耳背”，而人类可以一边看对方口型一边听，准确理解对话？

xiao5kou4chang6kai4

MATLAB机器学习、深度学习--从数据预处理到模型训练MATLAB 2023版的深度学习工具箱，提供了完整的工具链，使您能够在一个集成的环境中进行深度学习的建模、训练和部署。与Python相比，MATLAB的语法简洁、易于上手，无需繁琐的配置和安装，让您能够更快地实现深度学习的任务。

端到端自动驾驶 BEV stack本质上已经不是传统意义的 perception → planning pipeline，而是把整个驾驶问题统一成：