机器学习

2.29 XGBoost、LightGBM、CatBoost对比：三大梯度提升框架选型指南XGBoost、LightGBM、CatBoost是三大主流的梯度提升框架，各有特点。本文将深入对比这三个框架，帮你选择最适合的工具。

控制算法：PP（纯跟踪）算法PID的做法：盯着前轮和白线的距离（横向误差）。偏左了？向右扭车把。Pure Pursuit的做法：不看前轮和白线的距离（横向误差）！ pp的解决办法是：盯住白线上的N厘米（前瞻距离）处的一个点。现在的任务只有一个：把车把打到一个固定的角度，画出一道圆弧，让车正好能压到那个点。N设置的越大，那车轮就越无法拟合轨迹，遇到急弯时，因为你看得太远，车会直接切过弯道内侧，导致较大的跟踪误差。。但是你转动车把的频率低，很安全，不会强烈抖动。N设置的越小，那车轮就越拟合轨迹。但是你转动车把的频率高，很不安全，会强

MindSpore开发之路（二十六）：系列总结与学习路径展望时光飞逝，我们的《MindSpore开发之路》系列也即将迎来尾声。如果你一路跟随，从第一篇文章坚持到了现在，那么首先，请接受我们最诚挚的祝贺！你已经完成了一段了不起的旅程，从一名对 AI 框架感到陌生的初学者，成长为能够熟练运用 MindSpore 进行AI应用开发的合格开发者。

gorgeous(๑>؂<๑）

【中科院-张启超组-AAAI26】WorldRFT: 用于自动驾驶的带强化微调的潜在世界模型规划文章：WorldRFT: Latent World Model Planning with Reinforcement Fine-Tuning for Autonomous Driving

CLIP 的双编码器架构是如何优化图文关联的？（3）CLIP 的双编码器架构是如何优化图文关联的？（3）四、前沿进展与未来方向五、总结#人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿

小兔崽子去哪了

机器学习，梯度下降，拟合，正则化，混淆矩阵什么是梯度下降法梯度下降公式梯度下降法与正规方程对比一般使用 MAE 和 RMSE 这两个指标MAE平均绝对误差反应的是真实的平均误差，RMSE均方根误差会将误差大的数据点放大

深入解析远心镜头的工作原理与选型要理解远心镜头的价值，首先要审视普通镜头的局限。当测量精度要求进入微米级，普通镜头因固有光学缺陷导致的“近大远小”的透视误差和图像畸变。这种透视效应，在光学上源于镜头孔径对物体不同位置发出的光线的接收角度不同。在工业测量中，这意味着如果被测物体表面有高度起伏，或者被放置在略有偏差的位置上，相机捕捉到的图像尺寸就会发生变化，从而导致严重的测量误差。

摆烂咸鱼～

机器学习（12）人以类聚，物以群分分类和聚类案例：在水果分类问题中，我们事先已经定义好了水果类别，例如苹果、香蕉和橙子，并且拥有一批带有明确标签的训练数据。模型在训练阶段学习“特征与类别之间的对应关系”。当出现一个新的水果样本，模型会根据已经学到的规则，判断该水果最可能属于哪一个已知类别，比如判定为“苹果”。

机器学习-特征降维学习目标：用于训练的数据集特征对模型的性能有着极其重要的作用。如果训练数据中包含一些不重要的特征，可能导致模型的泛化性能不佳。例如：

联邦迁移学习实战：在数据孤岛中构建个性化推荐模型摘要：本文深度解析联邦迁移学习（FedTransfer）在跨机构数据协作中的工程化落地。通过个性化联邦平均算法（pFedMe）与差分隐私的融合设计，在保护用户隐私前提下，实现CTR建模AUC提升0.082，冷启动用户覆盖率提升3.7倍。提供完整的PyTorch联邦训练框架与TensorFlow Privacy隐私保护代码，支持医疗、金融、电商三场景复用，已在某省卫健委联合医院联盟部署，日均处理 federated learning 任务12万次。

木头程序员

机器学习模型成员推断攻击与防御：敏感数据保护实战指南摘要：随着机器学习模型在金融风控、医疗诊断等敏感领域的深度应用，训练数据隐私泄露风险日益凸显。成员推断攻击作为典型的隐私攻击手段，通过分析模型输出差异判断特定数据是否属于训练集，可能导致医疗记录、金融征信等核心敏感信息泄露。本文系统梳理成员推断攻击的技术原理与攻击链路，重点探讨更鲁棒的攻击方法设计思路，深入剖析差分隐私、对抗训练等主流防御机制的实现逻辑与优化策略，并结合金融、医疗实际应用场景给出落地建议，为敏感数据训练模型的隐私保护提供技术参考。

能量绝对性与几何本源：统一场论能量方程的第一性原理推导、验证与范式革命摘要：本文在张祥前统一场论的革新框架内，完成了对核心能量方程 E=m0c2=mc21−v2/c2E = m_0 c^2 = m c^2\sqrt{1 - v^2/c^2}E=m0c2=mc21−v2/c2 的严格数学推导与全面物理验证。该方程宣告了能量的绝对性与几何本源：一个物体的总能量 EEE 是其固有的、不随观察者运动状态改变的绝对常量，在数值上恒等于其静止能量 m0c2m_0 c^2m0c2；而相对论中的运动能量 mc2m c^2mc2 并非物体“获得”的额外能量，仅是同一绝对能量在不同运动参考系中

机器学习核心算法全景解析：从原理到实战各位读者朋友，大家好！在这个数据爆炸的时代，机器学习已经悄然渗透到我们生活的方方面面——从手机的人脸识别、电商的推荐系统，到自动驾驶、医疗诊断，无不闪耀着机器学习算法的智慧光芒。今天，我将带大家深入探索机器学习的核心算法世界，不仅详细解析原理，还会附上实际代码示例和流程图，让你真正掌握这些改变世界的技术！

上帝的乐谱：从线性代数视角重构傅里叶变换 (FT) 的数学表达式在上一篇文章中，我们用“频率的缠绕”这种物理直觉解释了傅里叶变换。今天，我们换一副眼镜，戴上线性代数的透镜，重新审视那个著名的公式：

【论文速递】2025年第52周(Dec-21-27)(Robotics/Embodied AI/LLM)中文使用 googletrans 翻译，翻译不对的地方以英文为准The rapidly growing demand for high-quality data in Large Language Models (LLMs) has intensified the need for scalable, reliable, and semantically rich data preparation pipelines. However, current practices remain dominated

人工智能之核心基础机器学习第十章降维算法第十章降维算法想象你有一张1000万像素的照片，但手机屏幕只有200万像素。你不需要所有细节，只需保留“看起来像”的关键信息——这就是降维！

2.31 机器学习神器项目实战：如何在真实项目中应用XGBoost等算法本文通过真实项目案例，演示如何在项目中应用XGBoost等机器学习神器。从数据准备、特征工程、模型训练到部署上线，提供完整的实战流程。

钱彬 (Qian Bin)

项目实践15—全球证件智能识别系统（切换为Qwen3-VL-8B-Instruct图文多模态大模型）项目实践15—全球证件智能识别系统（后端推理引擎升级与业务逻辑修正）在前序的系统构建中，后端服务集成了Qwen3-VL-8B-Thinking多模态大模型，用于实现针对国外证件的版面信息结构化提取与翻译。该Thinking系列模型在处理数理逻辑推演等复杂任务时表现优异，其核心机制在于输出最终结果前会进行长思维链推理。然而，在证件OCR及多语种翻译这一特定业务场景下，系统主要需求是对图像文字的直接提取与转换，而非深度的逻辑推理。实测表明，Thinking模型的过度推理导致单次请求响应时间较长（平均约15-3

【强化学习】第六章：无模型控制：在轨MC控制、在轨时序差分学习(Sarsa)、离轨学习(Q-learning)说明：从强化学习知识框架上看，本篇承接无模型评估篇：https://blog.csdn.net/friday1203/article/details/156023792?spm=1001.2014.3001.5501 但是，从知识点上看，本篇是承接前五章的所有重点和难点！所以你前面知识点必须非常熟悉，本篇才能顺水推舟的理解了。尽管本篇我已经尽力回溯之前的知识点，但你还是得没有逻辑断点，才能看懂本篇。

EM算法详解：解密“鸡生蛋“的机器学习困局假设你有两枚外观相同的硬币，它们被设计成抛出正面的概率不同，但你既不知道每次用的是哪枚，也不知道它们各自的真实概率。可能是硬币A是70%，硬币B是30%；也可能是硬币A是80%，硬币B是20%——你对此完全一无所知。