机器学习

科研实践课堂（小绿书）

机器学习在智能水泥基复合材料中的应用与实践机器学习在智能水泥基复合材料中主要用于性能预测、材料优化和损伤检测。通过分析大量实验数据，机器学习模型能够准确预测复合材料的力学性能、耐久性和微观结构演变。常见的算法包括随机森林、支持向量机和神经网络，这些模型在抗压强度、抗折强度预测方面表现出较高精度。

CCF-CSP第41次认证第三题——进程通信某一天，西西艾弗岛上的居民们迎来了一个天大的好消息：他们终于有了自己的操作系统。这个操作系统有一个特性：其内部每个进程都具有动态链接接口并对外广播信息的功能。小 C 的团队负责开发该功能与内存间交互的必要环节，同时维护支持内存调度与分配的子系统。

可解释AI：构建可信的机器学习系统——反事实解释与概念激活实战随着深度学习模型在医疗诊断、金融风控、自动驾驶等高风险领域的广泛应用，模型的可解释性已成为AI落地的关键瓶颈。本文深入探讨可解释AI的核心技术，重点讲解反事实解释（Counterfactual Explanation）和概念激活向量（Concept Activation Vector）的原理与实现。通过Diabetes数据集的完整实战案例，演示如何使用SHAP、LIME、Alibi等工具进行模型可解释性评估，帮助开发者构建既准确又可信的机器学习系统。读者将掌握可解释AI的方法论体系，并能在实际项目中应用这

机器学习概率论与统计学--(8)概率论：数字特征数字特征是用数值简洁地描述随机变量分布的重要属性。本讲将系统讲解期望、方差、协方差与相关系数，以及高阶矩、偏度和峰度。这些概念是概率论与统计学的核心，也是机器学习中模型评估与推断的基础。

机器学习概率论与统计学--(9)统计学：参数估计参数估计是统计推断的核心内容。当我们面对一个总体，知道其分布类型（例如正态分布、二项分布等），但其中的某些参数（如均值、方差）未知时，就需要利用样本数据对这些参数进行估计。本讲将系统讲解点估计的基本概念，并详细介绍两种最常用的点估计方法：矩估计和最大似然估计。

纪伊路上盛名在

机器学习中的固定随机种子方案在数据分析、统计模拟以及机器学习中，经常需要生成随机数。例如：• 生成随机样本• 构造模拟数据• 初始化模型参数

监督学习（Supervised Learning）监督学习其实很简单，核心就是用“带答案的数据”学规律，最终找到能精准预测新数据的模型。它的核心方法可以总结为一个公式：方法 = 模型 + 策略 + 算法 \boldsymbol{方法 = 模型 + 策略 + 算法} 方法=模型+策略+算法。

【论文精读】Automated machine learning for positive-unlabelled learning作者：Jack D. Saunders, Alex A. Freitas 发表于：Applied Intelligence (2025) 55:875 接收日期：2025年6月8日 / 在线发表：2025年7月16日代码开源：https://github.com/jds39/GA-Auto-PU 数据集：https://github.com/jds39/Unlabelled-Datasets

推荐算法（一）：数学基础回顾——勾股定理与欧氏距离c2=a2+b2或c=a2+b2 c^2 = a^2 + b^2 \quad \text{或} \quad c = \sqrt{a^2 + b^2} c2=a2+b2或c=a2+b2

推荐算法（三）：余弦定理和余弦相似度的关系及公式推导简述：以上面余弦定理的三角形为例，假设我们有两个向量：下面我们开始从余弦定理开始推导余弦相似度的公式：

[菜鸟教程] 机器学习教程第一课机器学习包含三个基本要素：数据是机器学习的燃料，质量越高、数量越多的数据，通常能让模型学得越好。算法是机器学习的学习方法，不同的算法适用于不同类型的问题。

【AI】《Explainable Machine Learning》（2）之前讲的是 local explanation，给一张图片，为什么机器觉得里面是一只猫【AI】《Explainable Machine Learning》（1）

大模型学习与面试精讲第六期：损失函数篇我大概讲一下损失函数的常见概念然后我进入问答阶段，在问题中学习概率与知识。大模型的训练通常分为两大核心阶段：预训练/指令微调（Pre-training & SFT）和人类偏好对齐（Alignment, 如 RLHF/DPO）。

【CFG】——条件生成最原始、最基础的 DDPM 论文（2020）确实是无条件生成（Unconditional Generation）。也就是“随机开盲盒”，你没法控制它具体生成什么。

哥布林学者

深度学习进阶（一）从注意力到自注意力新分类续接之前的注意力机制内容开始，展开一些更现代的理论。在之前的深度学习内容中，我们已经介绍了注意力机制的核心流程，其本质可以概括为：在解码的每一个时间步增加注意力计算得到上下文向量，让模型可以根据当前状态，从输入序列中动态选择相关信息。

联邦学习工程落地：从POC到生产的关键技术点联邦学习（Federated Learning）的理论已经相当成熟，但工程落地涉及大量实践细节。本文聚焦工程实现层面，梳理从POC到生产环境的关键技术点。

大模型部署到本地教程大模型本地部署，就是把 ChatGPT、文心一言、通义千问这类 AI 模型，下载并运行在你自己的电脑、服务器、开发板（香橙派 / 树莓派）或笔记本上，不依赖云端 API，不联网也能用，数据完全私有，速度更快，也更适合毕业设计、竞赛项目、隐私场景使用。

剑穗挂着新流苏312

207_深度学习调优：透彻理解权重衰退（L2 正则化）在模型训练中，如果特征过多而数据较少，模型很容易为了拟合每一个样本而产生巨大的权重值，导致过拟合。权重衰退的核心思想就是：通过在损失函数中添加惩罚项，让模型偏好更小的权重。

【吴恩达2026 Agentic AI】面试向+项目实战（含面试题+项目案例）-2🎯 博主前言：本笔记专为面试与项目实战设计，聚焦吴恩达2026 Agentic AI教程中的高频考点与核心项目。内容以“面试题+标准回答”和“项目实战+亮点解析”为主线，帮助您在面试中脱颖而出，同时具备从零搭建智能体的实操能力。

基于v≡c公设的理论优化方案本文提出了一种基于「v≡c公设」的理论优化方案，核心保留「v≡c」作为唯一公理，通过严格的数学推导和物理分析，实现从第一性原理到相对论全框架的自洽推导，同时天然兼容量子力学的核心内禀属性。方案通过引入内禀螺旋运动的概念，解决了与实验的冲突，提供了直观的物理图像，并导出了相对论和量子力学的核心结论。