机器学习

集成学习：为什么单打独斗不如“打群架”？（上篇）如果你刚开始接触机器学习，可能听说过“随机森林”“XGBoost”这些名字，它们经常在各种数据竞赛里屠榜。这些方法的背后，都站着一个共同的大佬——集成学习。

30_泰勒级数泰勒级数是一种用多项式来逼近任意光滑函数的方法。它的核心思想是：如果你知道一个函数在某一点处的各阶导数，你就可以用一个无限次的多项式来还原它（在收敛区间内）。

第9章因果推理与物理理解因果发现旨在从观测数据中恢复变量间的因果结构，其核心在于区分统计相关性与因果机制。该领域建立在概率图模型基础之上，通过特定的假设与算法从条件独立性陈述或评分函数中推断有向无环图（DAG）的结构。

给Agent Skill添加脚本执行能力根据上一篇我们知道，Agent Skill就是大模型随时翻阅的说明文档，它还可以包含一些资源文件，而脚本就是其中的一种重要资源。

拆解 OpenHands（13）--- Memory大模型正在从生成工具演化为具有长期交互能力的智能体，这对“记忆能力”提出了更高的要求，因为大模型的 “记忆能力”，决定了它能走多远，从单轮问答到多轮协作，从通用助手到垂直 Agent，核心都是 “能否记住关键信息、锚定核心目标”——只有记忆突破，AI才能“持续陪伴”，这是增加用户黏性的必然。

第 7 章感知不确定性估计在具身智能系统中，感知模块的输出并非绝对真理，而是受到传感器噪声、环境变化和模型局限性的影响。**不确定性估计（Uncertainty Quantification）**为智能体提供了“知道自己不知道什么”的元认知能力，这是实现安全决策、主动探索和故障恢复的关键前提。

从感知机到GPT：一个1957年的“神经元”如何引爆2026年的AI革命？1958年《纽约时报》曾预言：“海军希望电子计算机能够孕育出能走路、会说话、能看会写、还能自我复制并有自我意识的东西。”

学习周报三十九学习LLaVA-OneVision-1.5的核心工作：通过8500万概念平衡的预训练数据和2200万指令数据，配合离线并行数据打包策略实现高效训练。模型采用RICE-ViT与Qwen3架构，创新性地引入区域聚类判别损失和两阶段强化学习（仅答案RL→思维链RL），显著提升了复杂多模态推理能力。重点记录了概念平衡采样、区域感知注意力、差异驱动的RL数据选择等可借鉴方法。

陈天伟教授

小白快速进阶- AI辅助编码AI辅助编码不再仅仅局限于自动补全。它正发展成为一个完整的生命周期——从规划、构建到审查。开发者不再只是编写代码，他们还在协调由代理组成的系统，这些代理负责生成、测试和优化代码。

无数据/零样本量化3——Zero-shot Adversarial Quantization#无数据/零样本量化3——Zero-shot Adversarial Quantization 译文标题：ZAQ：一种对抗性的零样本量化方法出处：2021 CVPR 作者：Yuang Liu等作者单位：华东师范论文地址：https://openaccess.thecvf.com/content/CVPR2021/html/Liu_Zero-Shot_Adversarial_Quantization_CVPR_2021_paper.html 论文代码地址：https://github.com/xubi

极光代码工作室

基于深度学习的智能垃圾分类系统随着城市化进程加速和居民生活水平提升，我国生活垃圾年产量已突破2.5亿吨（住建部《2023年城乡建设统计年鉴》），传统人工分拣方式存在效率低、准确率差、人力成本高、二次污染严重等突出问题。为响应国家“双碳”战略与《“十四五”城镇生活垃圾分类和处理设施发展规划》政策导向，本研究设计并实现了一套端到端的基于深度学习的智能垃圾分类系统。系统采用改进型EfficientNetV2-S作为主干网络，融合注意力机制（CBAM）与标签平滑（Label Smoothing）策略，在自建高质量垃圾图像数据集（含4大类16子

Pandas 操作指南（二）：数据选取与条件筛选完成 DataFrame 的构建之后，下一步通常不是立刻统计或绘图，而是先把真正有用的数据取出来。在实际工作中，原始数据表往往包含较多字段和记录，而分析任务通常只关注其中一部分。例如，只查看数学成绩，只筛选某个班级的数据，或只保留若干关键列用于后续处理。由此可见，数据选取（Data Selection）是 Pandas 中最常见、最基础的操作之一。

Learn Beyond Limits

多层循环神经网络｜Multi-layer RNNs-----------------------------------------------------------------------------------------------

LLM预训练完全指南：从理论到NanoQwen实战| 项目：NanoQwen | 难度：⭐⭐⭐⭐ 中高级预训练（Pre-training）是大语言模型（LLM）训练的第一阶段，也是最重要的阶段。它的核心思想是：

【AI】AI安全工具：AI模型安全检测工具的实战使用📝 本章学习目标：本章介绍实用工具，帮助读者掌握AI安全合规治理的工具使用。通过本章学习，你将全面掌握"AI安全工具：AI模型安全检测工具的实战使用"这一核心主题。

哥布林学者

深度学习进阶（四）Transformer 整体结构在上一篇中，我们已经完整展开了 Transformer Block 的内部结构，包括多头注意力、残差连接、LayerNorm 以及 FFN。

IBM OA 高频真题分享｜2026最新-Programhelp 独家整理最近完成了 IBM 的 Online Assessment，整体过程较为顺利。IBM 的 Coding 题目难度在大厂 OA 中属于偏基础的类型，只要平时 LeetCode 刷题保持一定手感，常见算法模板熟练掌握，通常都能比较稳定地通过。

郝学胜-神的一滴

Pytorch自动微分模块：从原理到实战，解锁反向传播核心奥秘✨ 前言：在深度学习的世界里，模型的训练本质上是参数不断优化的过程，而参数优化的核心在于梯度的求解与更新。Pytorch作为深度学习领域的主流框架，内置的torch.autograd自动微分模块为我们省去了手动求导的繁琐，让梯度计算与反向传播变得高效又便捷。本文将从原理层到实战层，全面拆解自动微分模块的核心逻辑、与反向传播的关联，以及实际代码中的使用技巧，带你轻松掌握这一深度学习必备技能！✨

第三篇：认知架构与推理系统第8章世界模型学习前向动力学模型构成了世界模型的核心基础，旨在通过当前状态与动作预测未来状态的演变规律。该类模型使智能体具备物理环境的预测能力，为规划与决策提供内在模拟器。

scikit-learn 决策树分类详解：从原理、可视化到剪枝实战掌握 DecisionTreeClassifier决策树（Decision Tree）是机器学习中最经典的一类分类模型。它的优势非常直接：规则清晰、可解释性强、上手门槛低；与此同时，它也有一个非常典型的问题，那就是容易过拟合。