机器学习

LlamaIndex之核心概念及部署以及入门案例LlamaIndex 是一个用于 LLM（大型语言模型）应用程序的数据框架，用于注入、结构化并访问私有或特定领域数据。它提供了一套完整的工具链，帮助开发者构建基于 LLM 的应用。

CBOW 模型中的输出层在 CBOW（Continuous Bag of Words）模型中，输出层位于隐藏层之后，其主要功能是：

王锋(oxwangfeng)

自动驾驶领域OCC标注OCC 标注（占据栅格标注）是自动驾驶环境感知的核心标注方案，其逻辑是将车辆周围的三维空间离散为规则的 “栅格”，并标注每个栅格的「是否被物体占据、占据类型、置信度」等信息。

小鸡吃米…

机器学习中的分类算法摘要：机器学习分类是一种监督学习技术，通过训练带标签数据预测新数据的类别。摘要要点：分类算法广泛应用于垃圾邮件过滤、图像识别、欺诈检测等领域。

Coding茶水间

基于深度学习的交通标志检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的交通标志检测系统目录视频演示1. 前言2. 项目演示2.1 用户登录界面2.2 新用户注册

打造 36Gbps 超高速本地机器学习开发环境作者：旷野说 tikrok.cc 网站开源工具作者用两台苹果设备，搭建一个比千兆内网快 36 倍的“私有超算”

DAY31 文件的拆分方法和规范@浙大疏锦行昨天我们已经介绍了如何在不同的文件中，导入其他目录的文件，核心在于了解导入方式和python解释器检索目录的方式。

推荐算法手撕集合（持续更新）NDCG 是一种位置敏感的排序指标，更关注在排序结果中，高相关的内容是否被排在越靠前的位置。为什么需要NDCG？

DSFuse：一种用于特征保真度的红外与可见光图像融合的双扩散结构作者: Zhijia Yang , Kun Gao , Yanzheng Zhang , Xiaodian Zhang, Zibo Hu , Junwei Wang , Jingyi Wang , and Wei Li 发表期刊: IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS 论文地址: https://ieeexplore.ieee.org/document/11074762/

CBOW 模型中输入矩阵、输出矩阵与词表向量矩阵深入解析CBOW（Continuous Bag of Words）模型的训练目标是最大化在给定上下文条件下中心词出现的概率：

薛定e的猫咪

【ICRA 2025】面向杂技机器人的分阶段奖励塑形：一种约束多目标强化学习方法https://github.com/rllab-snu/Stage-Wise-CMORL 论文：“Stage-Wise Reward Shaping for Acrobatic Robots: A Constrained Multi-Objective Reinforcement Learning Approach”.

SoVitsSvc 4.0 人声转换整合包：羽毛布版一键启动，零环境配置实现高质量 AI 歌声克隆在 AI 音频处理领域，SoVitsSvc 4.0 凭借其卓越的**人声转换（SVC）**效果，一直是歌声合成与音色克隆的首选。然而，对于很多用户来说，配置 PyTorch 环境、管理复杂的 Python 依赖以及解决 CUDA 驱动冲突，往往是入坑最大的技术瓶颈。

大模型面试题79：举例一个你用到过的MCP的场景这个场景是我们日常生活中能用到的，全程不用你自己查天气、找门票、查交通，AI通过MCP就能帮你搞定所有事，咱们一步步拆解，小白也能秒懂。

使用 tsfresh 和 AutoML 进行时间序列特征工程时间序列无处不在，心电图上的心跳、股票价格、家庭智能电表读数，甚至句子中词语——这些都是时间序列。它们的特殊之处在于顺序：过去影响未来，相邻的数据点往往高度相关。

静听松涛133

从模式识别到逻辑推理的认知跨越在人类认知发展的漫长历程中，模式识别与逻辑推理是两个核心的认知阶段，二者共同构成了人类认识世界、改造世界的思维基础。模式识别作为认知的初级形态，帮助人类快速捕捉事物的外在关联与规律；逻辑推理则作为认知的高级形态，引导人类穿透现象本质，构建系统的认知框架。从模式识别到逻辑推理的跨越，不仅是个体认知成熟的标志，更是人类文明从经验积累走向理性建构的关键转折点。本文将从认知本质、发展路径、内在机制及实践价值等维度，系统剖析这一认知跨越的核心逻辑，探索其对人类思维发展与领域应用的深层影响。

啊阿狸不会拉杆

《机器学习》第四章-无监督学习无监督学习是机器学习的核心分支之一，它不需要标签数据，能从海量无标注数据中自动发现规律和结构。本文将系统讲解无监督学习的核心算法，包含聚类分析、主分量分析、稀疏编码三大核心模块，并结合实战案例和可视化对比，让你真正理解并能动手实现这些算法。

明月醉窗台

Ryzen AI --- AMD XDNA架构的部署框架AMD Ryzen™ AI 软件包含用于优化和部署 AMD Ryzen™ AI 驱动 PC 上的 AI 推理的工具和运行时库。Ryzen AI 软件使应用程序能够在 AMD XDNA™ 架构内置的神经处理单元（NPU）以及集成的 GPU 上运行。这允许开发者构建和部署用PyTorch或TensorFlow训练的模型，并直接在由Ryzen AI驱动的笔记本电脑上运行，使用ONNX运行时和Vitis™ AI执行服务提供者（EP）。

啊阿狸不会拉杆

《机器学习》第三章 - 监督学习大家好！今天给大家分享《机器学习》第三章监督学习的核心内容，本文会从基础概念到代码实战，把线性模型、决策树、贝叶斯、SVM 这些核心监督学习算法讲透，所有代码均可直接运行，配套可视化对比图，新手也能轻松上手～

Java程序员威哥

用Java玩转机器学习：协同过滤算法实战（比Python快3倍的工程实现）提及机器学习工程实现，Python凭借丰富的库生态成为主流选择，但在高并发、大数据量场景下，其解释型语言的性能瓶颈愈发明显。协同过滤作为推荐系统的核心算法，广泛应用于电商推荐、内容推送等场景，对计算效率与资源占用要求极高。本文将聚焦Java语言，拆解协同过滤算法（基于用户的UCF、基于物品的ICF）的工程化实现，通过数据结构优化、并发编程、缓存策略等手段，实现比Python原生实现快3倍的性能表现，同时兼顾代码的可扩展性与工业级适配能力，助力Java开发者快速落地机器学习推荐场景。

第六章支持向量机