机器学习

陈天伟教授

如何选择云端 CI/CD 平台𝟭. CI/CD 管理工具代码仓库对于 CI/CD 至关重要。除了作为代码提交和测试流程的终点之外，软件仓库还是存储 CI/CD 脚本和配置文件的首选位置。诚然，许多 CI/CD 平台可以将脚本和其他文件存储在内部，但通常最好将它们放在工具外部的版本控制系统中。

AUC 与 GAUC：从全局排序到用户内排序的理解评估一个推荐模型，最直觉的想法是看准确率——预测对了多少条。但准确率有一个致命缺陷：它高度依赖正负样本的比例。在推荐场景中，用户点击的内容往往只占曝光内容的百分之几，样本极度不平衡，一个把所有样本都预测为"不点击"的模型，准确率也能高达 95% 以上。这样的指标毫无意义。

【Python高级工程与架构实战】项目三：实时数据管道（Kafka + Polars + Delta Lake）(二)脚本功能：Z-Score算法实时异常检测与告警系统使用方式：python 3.4.3_anomaly_detection.py

Numpy 数据库多维性：支持0维（标量，数字），1维（向量），2维（矩阵）及更高维同质性：所有元素类型必须一致（通过dtype指定），不同数据类型会被强制转换成相同数据类型

【Python高级工程与架构实战】项目三：实时数据管道（Kafka + Polars + Delta Lake）(一)目录3.1.1 多源连接器开发：REST API轮询（Requests + Retry策略）与Webhook接收

人机与认知实验室

用神经网络、数学、理性思维能实现通用智能吗？1. 核心结论：仅依靠神经网络、数学建模与纯粹理性思维，无法实现真正的通用人工智能（AGI），三者仅为人类智能的局部子集，而非智能本质。

【Python深度学习】1.2. 多层感知器MLP(人工神经网络)实现非线性分类理论喜欢的话别忘了点赞、收藏加关注哦（关注即可查看全文），对接下来的教程有兴趣的可以关注专栏。谢谢喵！(=･ω･=)

PaveSync：用于路面病害分析与分类的统一综合数据集作者：Blessing Agyei Kyem, Joshua Kofi Asamoah, Anthony Dontoh, Andrews Danyo, Eugene Denteh, Armstrong Aboah* 所属机构：北达科他州立大学土木、建筑与环境工程系（除Anthony Dontoh来自孟菲斯大学）通讯作者：Armstrong Aboah

机器学习特征工程：缩放、编码、聚合、嵌入与自动化好模型的秘诀不在于更花哨的算法，而在于更好的特征。多数机器学习算法对尺度敏感。一个取值范围在0到1,000,000的列，会在训练中压制一个取值范围仅0到1的列。

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