机器学习

HyperAI超神经

在线教程丨 David Baker 团队开源 RFdiffusion3，实现全原子蛋白质设计的生成式突破近年来，利用生成式深度学习方法在新功能蛋白质设计方面取得了显著进展。目前包括 RFdiffusion（RFD1）和 BindCraft 在内的大多数方法，均采用氨基酸残基水平的蛋白质表示，已能够成功设计蛋白质单体、组装体以及蛋白质-蛋白质相互作用体系，但其分辨率仍不足以精确设计与非蛋白质组分（如小分子配体与核酸）发生特异性侧链相互作用的结构。

阿正的梦工坊

Kronecker积详解你好！今天我们来聊一个听起来有点高大上，但其实超级有趣的数学工具——Kronecker积（Kronecker Product）。它常出现在深度学习、量子计算、信号处理等领域，但别担心，这篇文章完全面向小白，我们用最通俗的语言、类比和例子一步步讲清楚。读完后，你会觉得它就像乐高积木一样简单好玩！

手揽回忆怎么睡

Streamlit学习实战教程级，一个交互式的机器学习实验平台！用户可以像玩游戏一样，在浏览器里随意切换数据集、切换分类器、调整模型参数，然后立刻看到准确率和数据在二维空间的可视化散点图。短短 80 多行代码，就做出了一个小型的“机器学习模型对比工具”，特别适合教学、演示或快速实验。太强大了！

ADVANCE Day32@浙大疏锦行核心目标：打破“遇到问题只会被动搜索”的习惯，掌握主动查阅文档的技能。我们不再机械地敲代码，而是通过模拟“遇到新库 -> 查文档 -> 写代码”的真实流程，训练你的自学能力。

AAAI 2026 | 图基础模型(GFM)&文本属性图(TAG)高分论文AAAI 2026将在2026年1月20日到1月27日于新加坡（Singapore）举行。AAAI 2026会议主会共有23, 680篇论文投稿，其中4, 167 篇被接收，接收率为17.6%。

[模式识别-从入门到入土] 专栏总结知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

表示/嵌入差异-7-间隔/边际对齐（Alignment Margin）Alignment Margin，是一个广泛用于嵌入对齐 / 度量学习（metric learning）的关键思想 —— 在优化目标中引入一个 margin 参数（间隔），用于约束正例与负例之间的距离或相似度，从而提升表示的判别性与对齐质量。

路人与大师

大规模多变量AutoML调参实验报告实验日期: 2025-12-31 实验时长: 05:23 - 07:49 (约2.5小时)传统的股票预测模型通常仅使用收盘价单一特征，忽略了金融市场中丰富的多维信息。本实验旨在构建一个综合性的多变量特征工程系统，结合大规模超参数搜索，寻找最优的预测模型配置。

《PDF解析工程实录》第 12 章｜别让模型贴着墙走：为什么加一圈空白，效果反而更好？点此进入系列专栏先说结论：对于相当多的图像模型，在输入图像四周主动加一圈 Padding（空白边），往往能提升边界区域的识别效果。

单细胞空转CNV分析工具：比 inferCNV 快10倍？！兼容单细胞与空转的 CNV 分析与聚类，竟然还支持肿瘤的亚克隆树构建！生信碱移快速CNV分析fastCNV 是scRNA-seq与空间转录组（含Visium HD）的快速 CNV 推断工具，比常规工具 inferCNV 运行速度快 10 倍，平均内存占用减少 94%。不仅如此，fastCNV 通过将 spots/cells 聚合为 meta-spots/meta-cells 以增强信号，输出全基因组 CNV 热图，并进行 CNV 聚类、克隆树推断与染色体臂级别 CNV 事件注释。

Monostatic Sensing With OFDM Under Phase Noise: From Mitigation to Exploitation摘要——本文研究了在存在由振荡器不完美引起的相位噪声（PN）的情况下，基于正交频分复用（OFDM）的雷达通信一体化（JRC）系统的单站雷达感知问题。我们首先针对自由运行振荡器（free-running oscillators，FRO）和锁相环（phase-locked loops，PLL），对雷达接收机中跨越多个 OFDM 符号的相位噪声进行了严格的统计特性描述。基于与时延相关的相位噪声协方差矩阵，我们推导了确定性时延-多普勒参数和随机相位噪声的混合最大似然（ML）/最大后验（MAP）估计器，该问题最终转

人工智能培训

深度学习—卷积神经网络（4）局部连接卷积—对比

MindSpore开发之路（十七）：静态图 vs. 动态图：掌握MindSpore的两种执行模式在使用MindSpore的过程中，我们几乎在每个脚本的开头都会写下一行代码：context.set_context(mode=...)。这行代码的作用是设置MindSpore的执行模式。这是一个非常核心的设置，它从根本上决定了你的代码是如何被框架解释和执行的，直接影响到开发体验和运行性能。

电力场景输电线路电缆线异常连接处缺陷金属部件腐蚀检测数据集VOC+YOLO格式3429张5类别注意图片里面有大量增强图片主要有旋转增强和对比度增强，分辨率只有320x320数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

算法与编程之美

探索不同的损失函数对分类精度的影响.1 问题探索不同的损失函数对分类精度的影响.2 方法通过在网上学习，然后了解到损失函数包括以下的一些标称：

线代第五章线性方程组第四节：相似矩阵的概念和性质相似矩阵是线性代数中描述矩阵 “等价变换” 的核心概念，核心作用是通过可逆矩阵转化，简化矩阵运算（如幂运算、行列式计算）和结构分析（如对角化），与特征值、特征向量紧密关联。

基于数据重构与阈值自适应的信用卡欺诈不平衡分类模型研究随着信用卡交易的普及，欺诈检测已成为银行风险控制的核心挑战。该问题的关键在于欺诈交易仅占极低比例，导致数据高度不平衡，使得传统分类模型严重失效。为此，本文提出一种基于数据重构与阈值自适应的不平衡分类模型。本研究以Kaggle信用卡欺诈数据集为对象，首先通过特征选择与样本平衡技术进行数据重构，从源头优化数据质量与分布。进而，在逻辑回归模型基础上，突破默认0.5阈值的限制，引入阈值自适应调整机制，系统优化分类决策边界。结果表明，本方法有效解决了类别不平衡带来的预测偏差。其中，“数据重构”显著提升了模型对欺诈交

深度学习—卷积神经网络（3）深度学习—卷积神经网络（3）卷积(Convolution) 步长（stride）填充（padding）

人工智能培训

深度学习—卷积神经网络（3）步长（stride）填充（padding）

79~87逻辑回归f最大似然估计MLE：其核心思想是在给定观测数据的前提下，寻找一组参数值，使得这组参数下观测数据出现的概率（即似然函数）最大