机器学习

机器学习概率论与统计学--(6)概率论：连续分布连续分布描述的是在某个区间（或整个实数轴）上取值的随机变量，其概率由概率密度函数（PDF）的积分给出。本讲将深入剖析六个核心连续分布：均匀分布、正态分布、指数分布、拉普拉斯分布、卡方分布、t分布和F分布。我们将从定义出发，推导期望与方差，阐明重要性质，并通过丰富的实例展示它们在实际问题中的应用。

汉堡大王9527

# AI 终于能"干活"了——Function Calling 完全指南写给想让 AI 真正帮你做事的开发者，不讲废话，直接上干货你有没有遇到过这种情况：问 AI：“帮我查一下北京今天的天气。”

材料科学研究

固态电池AI研发！精准掌握材料计算与机器学习！https://mp.weixin.qq.com/s/mDtP8b3GxLH_YA5zmFMsrQ 点击此链接查看详情！

次旅行的库

机器学习-多模态大模型（MLLM）链接：【机器学习大模型-多模态】原理及实操串讲，最好的多模态大模型教程来了，1小时讲透多模态大模型，看完全面理解！机器学习-计算机视觉-人工智能_哔哩哔哩_bilibili

范数-归一化L2归一化，也被称为L2范数归一化或欧几里德范数归一化，是一种常见的向量归一化方法。在机器学习和数据处理中经常使用。

混合精度训练AMP&master-sweight&Loss Scaling混合精度训练是一种可以大幅加速模型训练，并且减少显存占用，同时又不影响模型精度的技术。目前已经是大模型训练的默认配置。今天我们就来全面了解这项技术。

当交通遇上机器学习

IEEEICDE2025 | TimeKD：融合大语言模型与知识蒸馏的时间序列预测方法文章信息论文题目为《Efficient Multivariate Time Series Forecasting via Calibrated Language Models with Privileged Knowledge Distillation》，发表于数据工程领域的CCF-A会议IEEEICDE2025。该研究针对传统时间序列预测模型在跨变量依赖建模能力有限、难以利用外部知识以及预测性能受限等问题，提出了一种融合大语言模型与知识蒸馏的预测框架。

双阶段目标检测是什么？有什么用？一、引言在计算机视觉技术飞速发展的当下，目标检测作为核心分支，早已从实验室走向现实生活的方方面面，成为人工智能感知世界的关键入口。所谓目标检测，就是让计算机通过对图像、视频的分析，同步完成物体定位与物体分类两大核心任务——既要精准找到画面中所有物体的位置，用边界框圈定范围，又要准确识别出物体的类别，区分出人、车、动物、物品等不同对象。这项技术是自动驾驶、智能安防、工业质检、医学影像等领域的基础支撑，没有高效精准的目标检测算法，诸多智能化应用都无从谈起。

机器学习基础算法学习笔记机器学习是人工智能的重要分支，它研究的是如何让计算机通过数据自动发现规律，并利用这些规律进行预测、判断或决策。传统编程往往是“程序员写规则，计算机执行规则”，而机器学习更像是“给计算机大量样本，让它自己总结规则”。因此，机器学习特别适合处理那些规则复杂、难以手工穷举的问题，例如垃圾邮件识别、房价预测、用户分群、商品推荐等。

从线性回归实战到Python依赖安装踩坑：我的机器学习入门排雷记最近一直再整理近三年的各变成语言学习心得，感兴趣的小伙伴可以收藏下《bug》专栏，有需要自行翻阅或建楼交流。

温九味闻醉

Meta | HSTU：生成式推荐工业级方案

机器学习深度学习beginning3生成对抗网络（Generative Adversarial Network，简称 GAN）：通过让两个神经网络相互对抗、共同进化，从而学习到真实数据的分布，并能够生成逼真的新样本。

从轨迹到网络：广州休闲步行空间格局刻画 | 论文全解析与方法论深度拆解原文：From trajectories to network: Delineating the spatial pattern of recreational walking in Guangzhou》

甜城瑞庄的核桃

Claude Code 工程化实战：从工具使用者到 Agent 构建者的进阶之路声明： 📝 作者：甜城瑞庄的核桃（ZMJ）原创学习笔记，欢迎分享，但请保留作者信息及原文链接哦～摘要：本文深入剖析 Claude Code 的工程化实践,从认知转变、架构设计到最佳实践,全面解析如何从被动使用者进阶为主动驾驭者,构建可编程、可扩展、可组合的 AI Agent 系统。

大连好光景

静态融合特征做分类任务（监督）我的场景：目前我已经通过semantic_feature_extractor_v3提取到了128维的语义特征，另外也通过main_workflow_v2提取到了128维的程序级的图嵌入。我的目标：融合128维的语义特征+128维的程序级图嵌入，然后再重新输入下游的模型做监督分类。

点我头像干啥

“慧眼识脊”AI助手：从零搭建MRI脊椎智能分割系统UNET想象一下，你给AI看一张脊椎的核磁共振（MRI）照片，它就能像经验丰富的医生一样，把照片里每一块骨头、每一节椎间盘都给你清清楚楚地标记出来。这个系统干的就是这个酷炫的事儿！

人工智能培训

具身智能中：人机交互与协作挑战具身智能作为连接虚拟智能与物理世界的核心载体，以物理实体为依托，通过“感知—计算—执行”的闭环系统，实现与人类、环境的深度交互协作，已被明确列为未来产业培育方向，正逐步打破“离身智能”的局限，向工业、家庭、医疗等多场景渗透。不同于传统机器人的预设程序执行，具身智能依托多模态感知与大模型决策，试图模仿人类的交互逻辑，实现从“被动执行”到“主动协作”的跨越，但这种协同效应的实现，受技术、数据、硬件、伦理等多方面因素制约，在人机交互与协作领域仍面临多重瓶颈，需系统梳理、精准破解才能实现“机器助人”的核心价值，构

[LLM量化] 深入理解大模型量化：GPTQ 原理解析接下来看这个比较经典的GPTQ，它的量化算法。从名字上也可以看到，它在我们前面的分类里面属于post training quantization，也就是不需要对模型做训练的。然后它是对任意的已经训练好的模型可以做量化。然后它是weight-only，也只对模型权重去做量化，那就没有static和dynamic的区别，而至于mapping type的话，它是属于uniform的，就是我量化的时候只要除以这个scale，然后做四舍五入到对应的这个整数值就可以。反量化的时候就是乘以这个scale对吧？对称和不对

极简大模型microGPT代码教学互动网页microGPT是Andrej Karpathy在2026年2月发布的一个用于演示和教育目的的极简版 GPT 语言模型。，仅用234行纯Python代码（无任何依赖）实现了完整的GPT训练与推理流程。

机器学习概率论与统计学--(7)概率论：多维随机变量现实中的随机现象往往涉及多个变量，例如身高与体重、温度与湿度、考试成绩与学习时间。多维随机变量就是用来同时描述这些变量的数学工具。本讲将系统介绍多维随机变量的核心概念：联合分布、边缘分布、条件分布，以及刻画变量之间关系的协方差、相关系数和协方差矩阵。