机器学习

【实战项目】基于B/S结构Flask+Folium技术的出租车轨迹可视化分析系统（文末含完整源代码）大致功能介绍:1. 用web或客户端嵌入地图页面2. 能够通过时间和车辆查看轨迹，为了不影响界面效果和提高查询效率，可以控制车辆数量和查询时间范围

第一次尝试微调一，什么是微调相对专业的解释就是在已完成大规模预训练（Pre-training）的基础模型上，使用特定任务、特定领域或特定格式的标注数据集，进行进一步的参数优化训练，使模型在保留通用知识与基础能力的前提下，更好地适配下游具体任务，提升任务精度、响应一致性与领域适配性。

Day 6 编程实战：决策树与过拟合分析实现基尼系数和信息增益计算============================================================ 过拟合分析结论 ============================================================ 1. 最佳深度: 5 2. 最佳测试准确率: 0.8733 3. 深度20时的过拟合差距: 0.1733 4. 深度从5增加到20: - 训练准确率提升: 9.43% - 测试准确率下降: 4.67% - 节点数增加: 86

Milvus 向量数据库：HNSW 索引与相似度搜索在大数据和人工智能时代,向量相似度搜索已成为推荐系统、图像检索、自然语言处理等领域的核心技术。传统的精确搜索算法在面对海量高维向量时面临性能瓶颈,而近似最近邻(Approximate Nearest Neighbor, ANN)搜索技术通过牺牲微小的精度换取巨大的性能提升,成为业界的首选方案。

程序员小嬛

中科院一区TOP：用于求解偏微分方程的物理信息神经网络前沿创新思路小伙伴们好，我是小嬛。专注于人工智能、计算机视觉、AI大模型领域相关分享研究。【目标检测、图像分类、图像分割、目标跟踪等项目都可做，相关领域论文辅导也可以找我；需要的可联系（备注来意）】

Agent时代下的自动驾驶研发工具链的演进Agent时代标志着自动驾驶研发工具链从传统模块化架构向智能体驱动的范式转变。这一转变不仅体现在技术工具的升级，更反映在开发流程、安全认证与商业价值的根本性重构。从L2到L4级自动驾驶，研发工具链已从MATLAB/Simulink主导的静态模型开发，演进为PyTorch-ONNX-TensorRT-OTA链路驱动的端到端开发框架，而OpenClaw等AI智能体的崛起，则进一步模糊了"工具"与"开发者"的边界，使代码生成、仿真测试与部署优化全流程自动化成为可能。

一只废狗狗狗狗狗狗狗狗狗

机器学习与深度学习理论入门概述人工智能包括机器学习包括深度学习，深度学习就是神经网络模型机器学习就是将万事万物转化为“数”的格式，并且在其中找到“模式/规律”

# 反内卷，回基础：Nano-Memory用极简检索与剪枝，解决大模型长对话遗忘对于追求与用户建立长期、个性化关系的对话 Agent 而言，一个可靠的“记忆系统”是不可或缺的核心组件。然而，随着对话轮次的增加，如何有效管理和利用日益庞大的历史信息，始终是一个悬而未决的难题。现有方案大多在复杂的架构上做文章，例如引入层级化摘要、知识图谱，甚至动用强化学习来优化记忆更新，但效果往往不尽人意，系统在长对话中依然容易“失忆”，遭遇“上下文稀释”（context dilution）的困境。

llm大模型算法工程师weng

模型训练与知识蒸馏：从大模型到轻量级情绪分析系统在上一篇文章中，我们实现了基于BERT的情绪分析模型，准确率高达92-95%。然而，BERT模型参数量巨大（基础版110M参数），推理速度慢，难以部署到边缘设备或实时系统中。知识蒸馏（Knowledge Distillation）应运而生——它能让“学生模型”学习“教师模型”的知识，在保持较高准确率的同时，大幅降低模型大小和推理延迟。

搞科研的小刘选手

【多省气象局支持】第八届物联网、自动化和人工智能国际学术会议（IoTAAI 2026）第八届物联网、自动化和人工智能国际学术会议（IoTAAI 2026） 2026 8th International Conference on Internet of Things, Automation and Artificial Intelligence

【机器学习】回归 Regression回归是一种监督学习方法，主要用于预测连续值。Regression is a supervised learning method mainly for predicting continuous values.

云和数据.ChenGuang

机器学习之预测概率问题我直接给你讲最核心、最本质的原因，保证你一看就懂！你代码里这两行：一个是“做过的题得分”，一个是“没做过的新题得分”，当然不一样！

基于ARIMA差分自回归移动平均的时间序列预测模型【MATLAB】在数据科学和定量分析领域，时间序列预测始终是一个核心课题。无论是金融市场的波动、气象指标的演变，还是资源需求的变动，时间序列数据都蕴含着随时间演进的规律。在众多经典预测算法中，ARIMA（AutoRegressive Integrated Moving Average）模型凭借其严谨的数学基础和卓越的解释性，成为了预测领域的“常青树”。

春末的南方城市

SIGGRAPH 2026 | 加州大学&Adobe提出首个可控全景视频生成框架OmniRoam，单图实现360°无限漫游，长时全景视频生成新SOTA。在视频生成领域，传统透视视频模型受限于视角和场景覆盖范围，难以实现高质量的长距离场景漫游。为了解决这一问题，加州大学尔湾分校、加州大学圣地亚哥分校及Adobe Research等机构的研究人员共同提出了OmniRoam，这是一种可控全景视频生成框架，通过利用全景表示的丰富单帧场景覆盖率和长期时空一致性，实现了高质量的长距离场景漫游。OmniRoam不仅在视觉质量、轨迹可控性和长期全局一致性方面表现出色，还拓展了实时生成和3D重建的应用边界。

阿拉斯攀登

20 个 Android JNI + CMake 生产级示例目录第一部分：基础入门（1-5）示例 1：基础数学运算（Java → C++）Java 层（MainActivity.java）

小江的记录本

【 AI工程化】AI工程化：MLOps、大模型全生命周期管理、大模型安全（幻觉、Prompt注入、数据泄露、合规）AI工程化是将AI模型（含传统机器学习模型、大语言模型）从原型验证到规模化落地、持续迭代、安全可控的全流程工程方法论、技术体系与最佳实践，核心解决AI研发效率低、产业落地难、风险不可控、规模化成本高的行业痛点。

特征选择实战：方差、卡方、互信息法筛选有效特征在机器学习与数据挖掘的实际应用中，我们常常面临一个令人困扰的问题：数据集中动辄成百上千个特征，但其中真正对预测目标有价值的可能寥寥无几。过多的冗余特征不仅会显著增加模型训练的计算成本，还可能导致“维度灾难”——随着特征维度增加，数据在空间中的分布变得异常稀疏，模型更容易陷入过拟合，泛化能力不升反降。

海森大数据

数据与特征“协同进化”：机器学习加速发现高性能光合成过氧化氢COF催化剂过氧化氢作为一种绿色氧化剂和潜在清洁燃料，其光催化合成近年来备受关注。共价有机框架材料因其结构可设计、功能可调等优势，在光催化产H₂O₂领域展现出巨大潜力。然而，COF光催化剂的研发长期受困于机理复杂、结构空间庞大等难题——传统试错法仅能探索化学空间的极小部分，而复杂的激子效应、电荷转移动力学过程又使定量构效关系难以建立。

大模型微调进阶：多任务微调实战大模型微调进阶：多任务微调实战一、什么是多任务微调？二、多任务微调的数据组织三、多任务微调的训练策略四、任务选择与任冲突五、从单任务到多任务：一个渐进路径

LangChainGo构建RAG应用实况：切分策略、文本向量化、消除幻觉本篇文章主要是给各位看官介绍如何使用 LangChainGo 手动地构建 RAG 应用。注意我这里使用了“手动”这个词，区别于 Dify 类似的平台，它们创建 RAG 相关的智能体都是全自动的。从文档知识上传再到切分策略、文本向量化入库这整个流程都是傻瓜式的。开发者只需要关注他的业务逻辑就行了，但是这样对于开发者来说平台就是一个黑盒，无法定制化，调优比较困难。