机器学习

机器学习算法原理与实践-入门（七）：深度学习框架PyTorch的Tensor在前几篇文章中，我们从基础机器学习算法逐步深入到深度学习领域。今天，我们将正式进入现代深度学习的世界，学习PyTorch框架的核心数据结构——Tensor。这是理解和使用所有深度学习框架的基础，也是从传统机器学习向深度学习过渡的关键一步。

zbdx不知名菜鸡

SwanLab 在监控什么？当你将 report_to="swanlab" 传递给 Trainer 时，它会自动接管以下内容的监控：

【自然语言处理 NLP】深度学习与表示学习循环神经网络在处理长程依赖时面临梯度消失与爆炸的根本性困境。长短期记忆网络通过引入门控机制重构了循环连接的雅可比矩阵谱特性，从数学上约束了梯度在反向传播时间路径上的范数边界。具体而言，输入门、遗忘门与输出门的协同作用实现了对记忆单元状态的可控微分，使得误差信号在穿过时间步时保持近似的单位范数。

基于空间光速螺旋第一性原理的电荷本源定义与电场时空协变方程的完整推导、严格证明及全尺度数值验证本文以基本粒子内禀螺旋运动的切向速度恒为光速（vτ=cv_\tau=cvτ=c）为唯一动力学公理，结合自旋角动量量子化的独立实验事实，构建了无循环论证、逻辑完全自洽的本源物理框架。本文严格推导了基本费米子的内禀特征半径、内禀角频率，从内禀运动维度自然导出爱因斯坦质能方程E=mc2E=mc^2E=mc2；基于拓扑不变量的整数性，给出了电荷量子化、正负对称性与洛伦兹不变性的自然解释；以球对称无旋远场为合理近似，推导了库仑定律，并通过微分几何的Bianchi恒等式严格导出麦克斯韦齐次方程组。

大数据与机器学习的联系零基础可懂 · 逻辑严密 · 技术深入 · 适配考研/面试/工程实践大数据是机器学习的“燃料”，机器学习是大数据的“引擎”。没有大数据，机器学习难以发挥威力；没有机器学习，大数据只是“数字坟墓”。

无监督学习—聚类无监督学习是机器学习的一个重要分支，其核心目标是从未标记的数据中发现隐藏的模式或结构。与监督学习不同，无监督学习不需要预先标记的训练数据，而是通过算法自动对数据进行分类或聚类。以下是几种常见的无监督分类方法。

放下华子我只抽RuiKe5

NLP自然语言处理硬核实战笔记📖 导读：这份笔记整合了Code05/NLP下的所有代码，每一行都讲清楚是干啥的。看完能直接上手。

机器学习概率论与统计学--(3)概率论：随机变量欢迎来到概率论的核心概念——随机变量。在之前的讲解中，我们学习了样本空间和事件，但很多时候我们需要将随机试验的结果“数字化”，以便进行数学运算。随机变量正是为此而生。我们将从随机变量的定义开始，区分离散与连续两类，并深入理解分布函数这个统一描述工具。

机器学习概率论与统计学--(4)概率论：概率质量函数与概率密度函数在上一讲中，我们学习了随机变量的概念，并知道了分布函数 F ( x ) = P ( X ≤ x ) F(x)=P(X\le x) F(x)=P(X≤x) 可以统一描述离散和连续随机变量。然而，实际工作中更常用的是另外两个函数：概率质量函数（PMF）用于离散随机变量，概率密度函数（PDF）用于连续随机变量。它们直接给出了概率的分布情况，是理解各种分布模型的核心。

人工智能(AI)全体系学习——系列二👉 核心目标：进入“AI核心能力区”感知机是最早的神经网络模型之一，也是理解整个深度学习体系的起点。它本质上是一个线性分类模型，用来解决最基础的“二分类问题”，例如判断一个样本属于哪一类。

落羽的落羽

【Linux系统】中断机制、用户态与内核态、虚拟地址与页表的本质想象 CPU 是一个极其专注、按部就班的工人：正常情况下，它从内存中一条一条取指令、执行、再取下一条——这就是顺序执行流。突然，有人拍了一下它的肩膀（中断信号），它立刻停下当前工作，转头去处理这个“急事”。处理完急事后，它又回到刚才被打断的地方，继续执行

SliMamba:十余K参数量刷新SOTA！高光谱分类的“降维打击“来了01论文介绍https://ieeexplore.ieee.org/document/11359294

深度学习（11）：偏差与方差诊断、学习曲线在完成了线性回归、逻辑回归以及梯度下降的学习之后，我们已经能够训练一个模型。但一个更重要的问题随之而来：

深度学习（12）正则化线性回归中的偏差与方差调试在机器学习中，训练完一个模型（如正则化线性回归）后，常常会遇到：预测误差很大，模型效果不佳。此时的核心问题不是模型不行，而是需要判断模型属于高偏差（欠拟合）还是高方差（过拟合）。只有诊断正确，才能采取有效的优化策略。

理解L-平滑 (L-smoothness)和\mu-强凸 (\mu-strong convexity)并以此假设来证明梯度下降方法的收敛性如果说前面的梯度下降、牛顿法和 L-BFGS 是我们下山用的**“交通工具”，那么 LLL-平滑（LLL-smooth）和 μ\muμ-强凸（μ\muμ-strongly convex）就是用来描述这座山“地形好坏”**的两个最关键的数学指标。

机器学习概率论与统计学--(2)统计学基础欢迎来到统计学的基础世界！如果说概率论是研究“已知总体规律，推测随机现象”的学问，那么统计学则是它的“逆问题”：通过分析有限的数据样本，来推断总体的特征和规律。

做科研的周师兄

巴音河中下游灌溉草地空间分布数据集（2020年）巴音河中下游灌溉草地空间分布数据集（2020年）Spatial distribution dataset of irrigated grasslands in the middle and lower reaches of the Bayin River (2020)

矿物识别分类：8 种机器学习算法对比与实战（平均值填充数据集）矿物识别是地质勘探、矿产资源开发领域的核心任务之一，传统人工识别方式效率低、主观性强，而机器学习算法能基于矿物的物理 / 化学特征实现自动化、高精度分类。本文以平均值填充后的矿物数据集为基础，系统对比逻辑回归、随机森林、SVM、AdaBoost、GNB、XGBoost、神经网络（NN）7 种经典机器学习算法在矿物分类任务中的表现，详细讲解算法实现细节、参数选择逻辑，并分析不同算法的适配场景，为矿物识别工程实践提供参考。

海森矩阵（Hessian矩阵）及其应用理解多元微积分和优化理论中的核心概念确实需要一些时间，因为它们在刚接触时会显得有些抽象。不过不用担心，我们将Hessian矩阵（海森矩阵）拆解开来看，它其实就是一元函数中“二阶导数”在多元函数里的直接推广。

已落地量产的自动驾驶VLA技术解析：从“感知智能“到“认知智能“的工程化突围适用对象：自动驾驶算法工程师、决策规划模块负责人、量产落地项目经理阅读建议：本文为《端到端自动驾驶》专栏的开篇导论，建议结合后续章节的代码实操一同阅读。