机器学习

Day19_【机器学习—线性回归 (2)—损失函数、梯度下降法】线性回归的目标是找到一条最佳拟合直线，而“最佳”是由损失函数定义的，优化过程就是最小化这个损失函数。损失函数：衡量真实值与预测值之间差异的函数，也叫代价函数、成本函数、目标函数

机器学习——损失函数MSE=1n∑i=1n(yi−y^i)2MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2MSE=n1∑i=1n(yi−y^i)2

悠哉悠哉愿意

【机器学习学习笔记】逻辑回归实现与应用逻辑回归是机器学习里超基础、超常用的分类方法（划重点！它不是回归方法），比如判断邮件是不是垃圾邮件、用户会不会点击广告，都能用它解决。下面用大白话拆解它的核心逻辑和实战步骤，零基础也能看懂。

【机器学习&深度学习】LLM：在检索与重排序中的适用场景目录前言一、LLM是否可以当做Embedding模型用？1.1 观点1.2 落地场景适用情况1.3 小结

机器学习从入门到精通 - 降维艺术：PCA与t-SNE带你玩转高维数据可视化想象一下你面前摆着成百上千个特征的数据集，密密麻麻的数字像一团纠缠的毛线。你想看清它的结构？想发现隐藏的模式？高维数据就像锁在迷宫里的秘密，而降维就是你手中的万能钥匙。今天我们不聊玄学，就扎扎实实带你用PCA和t-SNE这两把利器，把高维数据压扁、摊开、变成肉眼可见的瑰丽图谱 —— 相信我，当你第一次看到杂乱的数据点在二维平面上凝聚成清晰的星云、星团时，那种感觉堪比发现新大陆！

AI生成内容的版权迷局：GPT-4输出的“创意”版权风险与规避之道大型语言模型（LLM）如 GPT-4，正以前所未有的速度和创造力，改变着内容生产的方式。无论是文章、代码、图片还是音乐，AI都能快速生成令人惊叹的作品。然而，在这股“AI内容创作浪潮”之下，一个严肃的问题浮出水面：AI生成内容的版权归属与侵权风险。

做科研的周师兄

【机器学习入门】5.4 线性回归模型的应用——从CO₂浓度预测学透实战全流程线性回归不是纸上谈兵的公式，而是能解决真实问题的实用工具。当我们关注全球气候变暖时，如何预测未来大气中 CO₂浓度的变化？当企业规划生产时，如何根据历史数据预测下月销量？这些 “连续值预测” 问题，都能通过线性回归找到答案。

陈敬雷-充电了么-CEO兼CTO

66具身智能让人形机器人 “活” 起来：懂语言、能感知、会行动，智能进化再提速注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】

Python | jupyter notebook默认文件保存路径在jupyter的网页里找输出的文件不够方便，可以直接在电脑的文件夹找，这时候对应的电脑文件夹位置怎么找到呢？

吴恩达机器学习补充：决策树和随机森林数据集：通过网盘分享的文件：sonar-all-data.csv 链接: https://pan.baidu.com/s/1D3vbcnd6j424iAwssYzDeQ?pwd=12gr 提取码: 12gr

机器学习与深度学习的 Python 基础之 NumPy(2)示例：要点：示例：实用技巧：示例：如何避免联动修改？示例：避免“误共享”的两种常见方式：注意：虽然 Python 的 list、C 语言的数组和 NumPy 的 ndarray 都可以存储数据，但它们在设计目标、性能、内存布局和索引能力上有本质区别。理解这些差异，有助于我们选择合适的工具。

深度学习篇---SGD+Momentum优化器SGD+Momentum（带动量的随机梯度下降）是 SGD 的增强版，它通过模拟物理中的 "惯性" 来加速收敛，减少训练过程中的震荡。下面用通俗的方式讲解其原理和用法，并提供详细代码示例。

在线性代数里聊聊word embedding最近在复习线性代数，学到线性相关、线性无关和向量空间这里，突然想到word embedding训练出来的向量是什么样呢？是否满秩？是n维空间中的m维向量（m<=n吗？）

TFS-2005《A Possibilistic Fuzzy c-Means Clustering Algorithm》这篇论文的核心思想是提出一种名为可能性-模糊c均值（Possibilistic Fuzzy c-Means, PFCM）的新型混合聚类算法，旨在综合并克服现有主流算法的缺陷。

夏日失踪案：一个博主的“忏悔录”各位亲爱的读者朋友们，好久不见！首先，请允许我以最诚恳的态度（和一颗被太阳晒得有点迷糊的脑袋）向大家致上最深的歉意——我已经整整一个暑假没有更新博客了！是的，您没看错，这个博主在过去的几个月里，仿佛人间蒸发了一般，连我自己都要开始怀疑是否被夏日热浪融化成了冰淇淋。

机器学习从入门到精通 - KNN与SVM实战指南：高维空间中的分类奥秘创建时间: 2025-09-02 20:51:09元数据: { “mode”: “series_blog”, “model_info”: { “provider”: “SiliconFlow”, “model_name”: “deepseek-ai/DeepSeek-R1”, “base_url”: “https://api.siliconflow.cn/v1”, “api_version”: “v1”, “max_retries”: 5, “base_interval”: 1.0 }, “series_

深入浅出：YOLOv8性能评估指标与电科金仓2025AI新成果2025年，人工智能技术在计算机视觉和数据库领域持续突破，YOLOv8的目标检测精度与速度再创新高，而电科金仓的AI与数据融合方案正悄然改变企业级应用的面貌。

Day20_【机器学习—逻辑回归 (2)—分类评估方法】混淆矩阵：用于展示真实值和预测值之间正例、反例的情况记忆口诀：同真异伪（第一个字），看预测值（第二个字）

为什么神经网络网络算法比机器学习模型算法更加强大？神经网络（尤其是深度神经网络）相比传统机器学习模型（如线性回归、决策树、支持向量机等）的“强大”主要体现在其更强的表达能力、自适应特征学习能力以及对复杂模式的建模能力。但这种“强大”并非绝对，而是有特定条件和适用场景的。以下是具体分析：

java1234_小锋

Scikit-learn Python机器学习 - 字典特征提取-DictVectorizer锋哥原创的Scikit-learn Python机器学习视频教程：2026版 Scikit-learn Python机器学习视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili