机器学习

【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。

【工业智能】可解释机器学习在工业制造领域的应用由于工业制造领域的问题具备较高的复杂度，想用人工智能解决工业领域的问题，需要融合机理模型、专家经验和数据驱动的方法来解决。如果寄希望于只用人工智能就解决领域问题，可能性不大。今天和大家介绍机理模型与数据驱动模型的融合，数据驱动模型与专家经验的融合，可解释机器学习在工业制造领域的具体应用。

迁移学习：让AI站在巨人的肩膀上你有没有遇到过这种情况：**迁移学习（Transfer Learning）**就是解决上述痛点的"银弹"。本文将从 CNN 基础出发，深入剖析迁移学习的核心原理，手把手带你理解并实践 ResNet 微调，彻底搞懂这一在工业界和学术界都被广泛使用的技术。

金融和电商行业如何使用网络监控保障业务稳定？在金融和电商的世界里，系统"稳定"从来不是一句口号------它是真金白银的保障。一笔支付交易卡顿3秒，可能让客户放弃下单；一次核心数据库响应延迟，就可能触发监管警报；一张快递面单打印失败，背后是成百上千个订单履约受阻。这些看似微小的技术波动，在高并发、强实时的业务场景中会被迅速放大，直接侵蚀用户体验、品牌信誉甚至合规底线。

联邦学习实战：隐私保护的分布式机器学习——联邦平均与差分隐私联邦学习（Federated Learning）是一种新兴的分布式机器学习范式，它允许多个参与方在不共享原始数据的前提下协同训练模型，有效解决了数据隐私和孤岛问题。本文深入探讨联邦学习的两大核心技术：联邦平均算法（FedAvg）和差分隐私（Differential Privacy），并通过Python代码实现横向联邦和纵向联邦的完整实战。读者将掌握联邦学习的基本原理、隐私保护机制，以及如何在实际项目中应用这些技术构建隐私安全的机器学习系统。

【OpenCV 计算机视觉四大核心实战：从背景建模到目标跟踪】在计算机视觉的实际应用中，背景建模、文档透视矫正、光流估计、目标跟踪是最基础、最常用的四大核心技术。本文将用四段可直接运行的 Python+OpenCV 代码，带你从零掌握这四大知识点，覆盖视频分析、文档扫描、运动跟踪等真实场景，新手也能快速上手。

CCC：CarCrazeCurator

基于 VLA 的自动驾驶轨迹规划：从思路到落地的实践之路在自动驾驶技术飞速发展的当下，轨迹规划作为决策与控制之间的核心桥梁，直接决定了车辆行驶的安全性、舒适性与效率。近期，我完成了一个基于 VLA（Vectorized Lane Attention，矢量化车道注意力）的自动驾驶轨迹规划项目，并将代码开源至 GitHub（项目地址https://github.com/LQY-hh/VLA-autonomous-driving-trajectory）。这篇博客想和大家聊聊这个项目的背景、核心思路、实现细节，以及开发过程中的一些思考。

生成式学习：AI时代的学习新范式！生成式学习，简单来说，就是借助AI的“生成”能力，在互动、创造和探索中学习。它不再是单向地接收信息，而更像是一个动态的、共创的过程。