机器学习

石迹耿千秋

迁移学习--基于torchvision中VGG16模型的实战我听到了⌈归来⌋的回响😊 间断了一天，我又回来了要明确迁移学习在干什么，我感觉有两个重点：一是建立在大量数据集上的预训练模型，二是冻结卷积基，训练全连接层

【线性回归（最小二乘法MSE）】——机器学习目录1 最小二乘法MSE1.1 前景知识：矩阵相关公式1.2 最小二乘法1.3 API1.4 示例代码

神经网络项目--基于FPGA的AI简易项目（1-9图片数字识别）用 “整理零件” 类比整个过程假设你有一个 “机器人模型”（神经网络），要把它的所有零件拆下来，分类整理到不同的盒子里：

英伟达实现原子级蛋白质设计突破，高精度生成多达800个残基的蛋白质众所周知，设计具有特定结构和功能的新型蛋白质，在药物研发、生物工程等众多领域都有着巨大的应用潜力。然而，要实现这一目标并非易事，尤其是在捕捉蛋白质序列和结构之间的关系方面，一直是从头设计蛋白质的一大难题。

一文看懂 MOE 模型：让大模型像医院看病一样高效工作最近一年，MOE 模型突然成了大模型领域的 “顶流”，我们熟悉的 DeepSeek 等热门模型都采用了 MOE 架构。但很多初学者可能会疑惑：MOE 到底是什么？其实，理解 MOE 并不难，它的核心思想就像我们常说的 “专人做专事”。今天我们就用生活中的例子，一步步揭开 MOE 的神秘面纱。

钮钴禄·爱因斯晨

机器学习：数据清洗与预处理 | Python我们不论在学习机器学习还是数据分析中，都会涉及很多数据。但原数据不可避免有很多杂志，为了确保结果的准确性，我们需要首先进行数据清洗和预处理。

心电图时间序列的 ARMA 模型分析与预测首先说明：arma 用于心电图不一定合适，只是手头正好有这个数据这段代码是一个完整的心电图（ECG）时间序列分析程序，主要使用 ARMA 模型对心电图数据进行建模和预测。以下是对代码的详细解释：

医疗数据分析中标准化的作用在前面这个糖尿病患者聚类的例子里，标准化（StandardScaler）的作用就像给不同特征 “统一计量单位”，让模型能公平地看待每个特征，避免某一个特征因为数值范围大就 “喧宾夺主”。

李昊哲小课

K近邻算法的分类与回归应用场景K近邻（K-Nearest Neighbors, KNN）算法是一种基础但强大的机器学习方法，它既可以用于分类问题，也能解决回归问题。

深度学习中的注意力机制：原理、应用与实践前言注意力机制（Attention Mechanism）是近年来深度学习领域中一个非常重要的研究方向。它模拟了人类视觉注意力的机制，能够动态地关注输入数据中最重要的部分，从而提高模型的性能和效率。本文将详细介绍注意力机制的原理、应用以及如何在实际项目中实现注意力机制。一、注意力机制的原理（一）人类视觉注意力的启发在日常生活中，人类的视觉系统并不会同时处理整个场景中的所有信息，而是会聚焦于场景中某些关键的部分。这种选择性关注的能力被称为注意力机制。例如，当我们阅读一本书时，我们的注意力会集中在当前阅

roman_日积跬步-终至千里

【机器学习【6】】数据理解：数据导入、数据审查与数据可视化方法论Pandas DataFrame的数据结构优势Pandas之所以成为机器学习数据导入的首选，核心在于其DataFrame数据结构。DataFrame不仅是一个二维表格，更是一个为数据科学量身定制的数据容器：

基于深度学习的情感分析模型：从文本数据到模型部署前言情感分析（Sentiment Analysis）是自然语言处理（NLP）领域中的一个重要应用，它通过分析文本数据来判断文本的情感倾向，例如正面、负面或中性。随着社交媒体的兴起，情感分析在市场调研、品牌管理、客户服务等领域得到了广泛应用。本文将详细介绍如何使用深度学习技术构建情感分析模型，从数据预处理到模型部署，带你一步步掌握情感分析的完整流程。一、情感分析的背景与应用场景（一）情感分析的定义情感分析，也称为意见挖掘（Opinion Mining），是一种通过自然语言处理技术来识别和提取文本中的

DataWhale AI夏令营 Task2.2笔记本次代码改进主要集中在聚类算法和主题词提取方法的优化上，主要包含三个关键修改：首先，将聚类算法从KMeans替换为DBSCAN。这是因为原KMeans方法需要预先指定聚类数量，而实际评论数据中的主题分布难以预测。DBSCAN算法能够自动确定聚类数量，并有效识别噪声点（这是指南中明确指出的难点）。该算法的优势在于能更好地处理非球形聚类结构，对噪声数据具有更强的鲁棒性，特别适合文本数据中常见的非均匀分布特征，从而提升聚类质量。

机器学习主要算法全称整理博客地址：https://www.cnblogs.com/zylyehuo/参考《动手学深度学习》第二版

阿里云大数据AI技术

【ICML2025】大模型训练性能4倍提升！阿里云PAI团队研究成果ChunkFlow中选近日，阿里云 PAI 团队、通义实验室与中国科学院大学前沿交叉科学学院合作在机器学习顶级会议 ICML 2025 上发表题为 Efficient Long Context Fine-tuning with Chunk Flow 的论文。机器学习国际会议 (ICML) 是致力于推动人工智能分支机器学习的专业人士的重要聚会，是人工智能领域的顶级学术会议之一。ChunkFlow 做为阿里云在变长和超长序列数据集上高效训练解决方案，支撑着通义千问 Qwen 全系列模型的长序列续训练和微调任务，在阿里云内部的大量的

OpenBayes贝式计算

OpenBayes 教程上新丨一句话精准P图，FLUX.1 Kontext可实现图像编辑/风格迁移/文本编辑/角色一致性编辑一句话 P 图的时代终于来了。2025 年 5 月底，沉寂已久的 Black Forest Labs 发布了新模型 FLUX.1 Kontext，并于近日宣布开源。其基于流匹配架构，支持上下文内图像生成，可以同时使用文本和图像进行提示，并无缝提取和修改视觉概念，从而生成新的、连贯的图像。从功能的角度来看，FLUX.1 Kontext 能够在无需复杂描述的情况下实现多种编辑任务，包括对象修改、风格转换、背景替换、角色一致性编辑和文本编辑等。

weixin_46407807

机器学习sklearn入门：使用KNN模型分类鸢尾花和使用交叉验证进行简单调参bg：scikit--learn是不错的机器学习库，里面精简了很多东西，新手学习起来也是比较舒服的结果：

一文读懂循环神经网络—从零实现长短期记忆网络（LSTM）目录一、遗忘门（Forget Gate）：决定 “该忘记什么”二、输入门（Input Gate）：决定 “该记住什么新信息”

笔记/sklearn中的数据划分方法简要介绍数据划分在机器学习中的作用。Note：假设总共有N个样本，K折交叉验证会将数据平均分成K份。每一折中，test_index的数量大约是 N/K（如果N不能被K整除，有的折会多一个或少一个），其余的样本作为训练集，train_index的数量就是N- test_index 的数量。在本例中，test_index的数量是20/5=4。

图机器学习（8）——经典监督图嵌入算法监督学习 (Supervised Learning, SL) 代表了大多数实际机器学习 (Machine Learning, ML) 任务的应用场景。得益于日益高效的数据采集，带标签数据集已经非常普遍。对于图数据同样如此，在图数据中，标签可以分配给节点、社群，甚至整个图结构。此时的任务就是学习输入数据与标签(也称为目标或标注)之间的映射函数。例如，给定一个表示社交网络的图，我们可能需要预测哪些用户(节点)将会注销账户。通过基于历史数据训练图机器学习模型，根据用户数月后是否注销账户，将其标记为"忠实用户"