机器学习

基于核密度估计的CNN-LSTM-Attention-KDE多输入单输出回归模型【MATLAB】在深度学习时间序列预测与回归分析中，传统的模型往往只能给出一个确定的“点预测”结果（例如：预测明天的温度是25度）。然而，在许多高风险的工程和金融场景中，我们不仅需要知道预测值是多少，还需要知道这个预测值的可靠程度（例如：明天温度在23度到27度之间的概率是90%）。

爱学习的小仙女！

机器学习面试题（二）损失函数常见损失函数损失函数（Loss Function）衡量单个样本的预测误差，即模型的预测值与真实值之间的差异。成本函数/代价函数（Cost Function）衡量所有样本上预测值和真实值的平均误差。

计算机体系结构基础计算机体系结构是程序员、嵌入式开发者与硬件设计者必须掌握的核心基础，它研究计算机硬件系统的逻辑组织、功能划分、指令执行流程以及软硬件之间的协同方式。通俗来说，计算机体系结构回答了三个根本问题：计算机由哪些核心部件构成？数据和指令如何在内部流动？程序如何被高效执行？从早期的电子管计算机，到如今的多核CPU、异构计算、NPU加速芯片，体系结构始终是计算机技术发展的主线。对于智能小车、嵌入式开发、AI模型部署等实践场景，理解体系结构能够帮助开发者更合理地利用硬件资源、优化程序性能、提升系统运行效率。

优化器Adam，神经网络处理文本，CNN,RNN反向传播网络结构运算过程输入 x=[x0,x1] w = [[w11,w12],[w21,w22]]

模型和算法篇（二）无监督学习在无监督学习中，聚类和降维是两种最常见的算法，不过它们应用场景很不一样。聚类我们说过了，主要可以用来做分组；而降维，则是通过数学变换，将原始高维属性空间转变为一个低维“子空间”，它本质上是通过最主要的几个特征维度实现对数据的描述。

ChromaDB距离计算公式示例faiss和chromadb是LLM时代两种重要的轻量级向量库实现方式。之前探索了使用向量库faiss和LLM判断问题是否被记录。

显式 + 隐式特征交叉融合模型wide部分是一个广义的线性模型。y是预测值，x=[x1,x2,....,xd]是特征向量，w=[w1,w2,.....,wd]为模型参数，b为偏差。特征集包括原始输入特征和转换后的特征。 Wide部分的作用是让模型具有较强的“记忆能力”。

Visualize Org Charts and Decision Trees in WinFormsAttend the MESCIUS CodeClinic live webinar & learn to convert datasets into interactive diagrams.

DPO 训练 loss 公式推导在传统的 RLHF 中，第一步是训练一个奖励模型（Reward Model, 简称 RM） rϕ(x,y)r_\phi(x, y)rϕ(x,y)。

【递归、搜索与回溯算法】专题三——穷举vs暴搜vs深搜vs回溯vs剪枝Leetcode链接给定一个不含重复数字的数组 nums ，返回其所有可能的全排列。你可以按任意顺序返回答案。

项目篇（一）机器学习项目步骤一个机器学习项目从开始到结束大致分为 5 步，分别是定义问题、收集数据和预处理、选择算法和确定模型、训练拟合模型、评估并优化模型性能。当然这 5 步是一个循环迭代的过程：

【Agent-阿程】AI先锋杯·14天征文挑战第14期-第1天-大模型微调技术实战随着ChatGPT、GPT-4、Claude等大型语言模型的崛起，人工智能进入了全新的发展阶段。这些拥有数百亿甚至数千亿参数的大模型展现出了令人惊叹的通用能力，但在实际应用中也面临着诸多挑战：

【自然语言处理 NLP】7.1.2 表示工程与推理监控目录7.1.2.1 表示工程（Representation Engineering, RepE）7.1.2.2 思维链忠实性评估

【自然语言处理 NLP】多模态与具身智能：视觉-语言预训练技术手册目录第一部分：原理详解6.2.1 视觉-语言预训练（Vision-Language Pretraining）

郝学胜-神的一滴

玩转PyTorch：detach函数破解自动微分张量转numpy难题在PyTorch的深度学习实践中，自动微分是实现模型训练的核心利器，它能帮我们高效计算梯度、完成权重更新，但实际开发中，我们常会遇到开启自动微分的张量无法直接转换为numpy数组的问题。今天就带大家解锁detach函数的妙用，轻松破解这一开发痛点，实现张量与numpy数组的无缝转换～

计算机视觉基础计算机视觉（Computer Vision, CV）是让计算机“看懂”世界的技术学科，它通过摄像头、雷达等传感器获取图像或视频数据，再借助算法模拟人类视觉系统的感知、理解、分析过程，最终实现对现实世界的数字化解读。从手机人脸解锁、自动驾驶的障碍物识别，到工厂零件缺陷检测、医疗影像辅助诊断，计算机视觉已深度融入生产生活的方方面面。作为人工智能领域的核心分支，其底层逻辑、关键技术与实践路径，是每一位技术学习者必须掌握的基础。

AI医影跨模态组学

Radiology（IF=15.2）重庆大学附属肿瘤医院张久权教授团队：基于MRI肿瘤内异质性量化预测乳腺癌新辅助化疗反应的列线图01文献学习本次分享的文献是由重庆大学附属肿瘤医院张久权教授团队联合第三军医大学西南医院放射科等团队于2025年4月在《Radiology》（中科院1区toop，IF=15.2）上发表的研究“Nomogram for Predicting Neoadjuvant Chemotherapy Response in Breast Cancer Using MRI-based Intratumoral Heterogeneity Quantification”即基于MRI肿瘤内异质性量化预测乳腺癌新辅助化疗反应

基于机器学习的实时手势识别系统实现手势识别作为人机交互领域的重要技术，能够让计算机理解人类的手部动作意图，在智能家居、虚拟现实、工业控制等场景中有着广泛的应用。本文将详细介绍如何从零构建一套基于传统机器学习的实时手势识别系统，涵盖数据采集、模型训练、实时识别全流程。

龙侠九重天

C# 机器学习数据处理在现代机器学习应用中，数据处理往往是整个 pipeline 中最耗时也是最关键的环节之一。无论是图像分类、语音识别还是自然语言处理，模型训练和推理都涉及到海量数据的加载、转换和预处理。以一个典型的计算机视觉任务为例，处理单张 224×224 的 RGB 图像需要读取约 15 万个像素值；若要训练一个高效的卷积神经网络，通常需要数万甚至数百万张图像。在如此大规模的数据操作下，编程语言的类型系统和内存管理机制将直接影响数据处理的效率，进而影响整个机器学习系统的性能表现。