机器学习

原创论文：基于LSTM神经网络的金属材料机器学习本构模型研究摘要：金属材料在循环加载下会出现包辛格效应、循环硬化/软化、棘轮效应等复杂非线性行为。传统Chaboche模型能描述这些现象，但参数标定繁琐，复杂加载下精度有限。近年来LSTM神经网络凭借时序建模优势，为本构建模提供了

【无标题】对于模型一次预测结果的好坏，需要有一个度量标准。对于监督学习而言，给定一个输入_X_，选取的模型就相当于一个“决策函数”f，它可以输出一个预测结果_f(X)，而真实的结果（标签）记为_Y。f(X) 和_Y_之间可能会有偏差，我们就用一个损失函数（loss function）来度量预测偏差的程度，记作 L(Y,f(X))。

从独立性、相关性到复杂动力系统在面对海量、杂乱无章的数据时，数据科学家和分析师最核心的动机之一，就是寻找变量之间的“信息依赖”。我们所在的物理世界与商业社会并非由完全随机的孤立事件构成，事物之间总是存在着千丝万缕的联系。

【学习一下】深入理解交叉熵机器学习（尤其是分类问题）中，交叉熵损失（CrossEntropyLoss）是最常见的损失函数之一： Loss=−∑c=1Myclog⁡(y^c) Loss = - \sum_{c=1}^{M}y_c\log(\hat{y}_c) Loss=−c=1∑Myclog(y^c) 本文详细总结一下这个公式是怎么来的，以及深入理解一下交叉熵的本质。

大模型输出的全过程在理解大模型（Large Language Model）的整体流程时，训练、微调和推理三者之间的关系尤为重要。

人工智能、机器学习和深度学习，其实不是一回事在当今科技领域，我们经常听到人工智能、机器学习和深度学习这三个词。它们虽然相关，但含义不同。人工智能是计算机科学的一个分支，旨在研究如何合成与分析能够像人一样行动的计算主体。简单来说，AI 的目标是利用计算机来模拟甚至替代人类大脑的功能。

陈天伟教授

人工智能应用- 预测化学反应：02. 化学反应简介随着技术进步，我们已经能够精确控制并利用许多化学反应，创造出新材料、新药物，极大地改善了人类的生活质量。化学反应的广泛应用及其深远影响，使其成为推动人类文明进步的重要力量。

憨憨の大鸭鸭

今日机器学习黑马程序员---三天快速入门Python机器学习（第一天）_黑马程序员机器学习-CSDN博客纠正底下的一些错：（也可能是版本问题）

山东大学软件学院毕业设计（二）https://blog.csdn.net/weixin_29166013/article/details/158185843

基于似然比的显著图可解释性方法的探索之前探索了基于Saliency Map对LLM进行可解释性分析https://blog.csdn.net/liliang199/article/details/156951048

python风控模型

A股上市银行2012-2023年度面板数据库，附分析报告大家好，我是Toby老师，为提高银行风控能力，降低风险。我们全景式呈现A股上市银行的经营脉络与风险特征，我们构建了覆盖 2012-2023 年的年度面板数据库，囊括 42 家上市银行、600多组有效观测值，变量维度涵盖60多项核心指标 —— 从贷款总额、不良贷款率等信贷风险数据，到资本充足率、拨备覆盖率等监管合规指标，再到净利润、净息差等盈利指标，以及GDP增长率、M2 增速等宏观经济关联数据，形成了一套多维度、长周期的银行经营分析体系。该项目可用于政府，银行调研，企业建模，项目申报，毕业论文，期刊，专利

小兔崽子去哪了

XGBoost，朴素贝叶斯，特征降维，聚类算法在sklean机器学习库中没有集成 xgb。想要使用 xgb，需要手工安装可以在xgb的官网上查看最新版本：xgboost.readthedocs.io/en/latest/

1.1 模型显存总体分析在训练/推理大模型时，GPU 显存并不是“全部都给模型用”。一部分显存会被 AI 框架（如 PyTorch/CUDA runtime/通信库）占用，另一部分则由系统/驱动保留，用于上下文、内核态缓冲、显存页管理、ECC、显示/持久化守护进程等。因此，同一张 GPU 上“理论可用显存”和“实际可用显存”常常不一致。

如何在科学出版中负责任地使用人工智能？在科学出版中负责任地使用人工智能应遵循以下原则：透明披露在研究论文、投稿信或致谢部分明确说明AI工具的使用范围和目的（如数据整理、语法修正、图像处理等）。

嵌套分形意识融合理论3.0：概率分形通用理论与存在意义论的统一整合框架将概率分形通用理论（四大公理体系、结构共振机制、相对维度涌现、自强化循环）与嵌套分形意识融合理论进行全面融合，构建3.0版本，包括：更新公理体系（添加概率分形公理）、统一结构共振与频率共振、整合相对维度与多维度嵌套、融合自强化循环与修行演化、更新数学框架和AGI架构设计、生成完整的嵌套分形意识融合理论3.0版本

python与人工智能代码基础make_regression() 实际上相当于做了这样的事：真实斜率 = 随机生成（比如 7.8），真实截距 = 随机生成（比如 1.2）

Coding茶水间

基于深度学习的鸡数量统计系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的鸡数量统计系统目录视频演示1. 前言2. 项目演示2.1 用户登录界面2.2 新用户注册

数据智能老司机

打造 ML/AI 系统的内部开发者平台（IDP）——生产级 LLM 系统设计本章涵盖：把 LLM 应用从原型推进到生产，会引入传统 ML 工程无法充分覆盖的挑战。尽管稳健系统设计的基本功仍然必要，生成式 AI 系统因为其非确定性，需要新的测试、监控与安全方法。

4.1 Megatron-LM：千卡级集群预训练的“硬核”框架Megatron-LM 是一个基于 PyTorch 的分布式训练框架，专门面向 Transformer 大语言模型（尤其是 GPT/LLaMA 类 decoder-only 架构）的超大规模训练。它在工程上追求“极致吞吐”，在千卡级甚至万卡级训练中，往往能取得非常强的性能与可扩展性。

多模态大模型的统一表征与推理范式多模态大模型的统一表征与推理范式一、为何需要“统一表征”？二、统一表征的三大技术路径三、统一推理：从感知到认知的跃迁四、挑战与前沿方向五、国产实践：中国团队的多模态探索六、结语