机器学习

【Python深度学习】2.1. 卷积神经网络(CNN)模型理论(基础)：卷积运算、池化、ReLU函数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･=)

幻风_huanfeng

人工智能之数学基础：内点法和外点法的区别和缺点在前面的课程中我们学习了内点法和外点法，我们本文将分析以下二者的区别以及缺点二者的区别如上所示，从的来说内点法中的点必须在可行域中，而内点法不能处理等式约束问题。

天一生水water

什么是机器学习中的类别不平衡想象你要训练一个模型来识别"垃圾邮件"：现实世界中，绝大多数数据都是不平衡的：假设你有一个极度不平衡的数据集：

xianluohuanxiang

2026年深度：高精度气象+新能源，从风速误差到收益偏差，行业赋能正在重构电站盈利模型装机容量100MW，发电量比去年同期还多了5%，但结算收入却少了将近12%。他怎么也想不通：风也刮了，电也发了，钱去哪儿了？

ICRL 2026部分论文（RS-GRPO、AgentGym-RL、MeMAgent、InPlaceTTT）粗读来自 ReTool: Reinforcement Learning for Strategic Tool Use in LLMs，感觉非常的toy，其实就是把大模型的一部分计算过程给用tool替换掉：

测绘第一深情

MapQR:自动驾驶在线矢量化高精地图构建的端到端 SOTA 方法MapQR 是 ECCV 2024 提出的、面向自动驾驶在线矢量化高精地图构建的端到端 SOTA 方法，核心是通过增强点集查询机制，解决传统方法精度低、信息不一致的问题，在 nuScenes/Argoverse2 上实现最优 mAP 且保持高效运行。

【优化器】Adagrad 、RMSPorp、Adam详解Adagrad 优化算法被称为自适应学习率优化算法。之前我们讲的随机梯度下降算法，对所有参数都是使用相同的、固定的学习率进行优化的，但是不同参数的梯度差异可能很大，使用相同的学习率，效果不会很好。

对比实验Baselines记录最近跑算子学习的Baselines，需要复现很多Baselines。遇到一些迷惑的地方，这里记录一下。

【学习笔记1】AI 基础概念：机器学习、深度学习、大语言模型的区别先用一张图把三者的关系说清楚——它们是"包含关系"，不是并列关系。这张图说明了一件最重要的事：LLM 是 DL 的一种，DL 是 ML 的一种，ML 是 AI 的一种。它们不是平行的技术，而是一层套一层。

《硅基之盾》番外篇四：极客时刻——从零手搓一个 AI 自动化渗透智能体（附源码架构）你好，我是陈涉川，各位极客朋友们，欢迎回到《硅基之盾》。在咱们这套涵盖6大基础与进阶模块、整整50篇文章的漫长攻防旅程中，前面我们花了大量篇幅，从底层的机器学习算法，一路聊到了意图驱动网络（IBN）的宏观防御架构。理论固然精妙，但对于真正在一线摸爬滚打的红队红蓝对抗人员来说，总觉得隔着一层屏幕，不够“解渴”。很多朋友在私信里探讨，到底怎么把这些高维的认知引擎，变成能在网线另一端撕开防线的利刃？所以，今天我们稍微偏离一下主线，在番外篇开启一次纯粹的极客时刻。咱们不谈宏观策略，只讲工程落地，带大家见识一下真正

《硅基之盾》番外篇三：无形的捕网——AI 驱动的无线电信号情报（SIGINT）与硬件对抗你好，我是陈涉川，欢迎回到《硅基之盾》。熟悉咱们这个专栏的老读者都知道，在主线那严丝合缝的六大模块、五十篇文章里，我们一路从机器学习的底层逻辑，杀到了 AI 安全攻防的最前线。但总有一些精彩、甚至有些“越界”的攻防暗战，塞不进主线的标准框架里，所以才有了咱们的番外篇。在前两期番外里，咱们刚刚在一片静默中手撕了物理隔离的底线，又在智算中心迷宫般的有线网络里，跟 EVPN 路由投毒打了一场惊心动魄的游击战。刚从机房的冷风中缓过神来，今天，我想带大家彻底扯断那根网线。咱们不聊 ASIC 芯片，不聊光模块，把

Scikit-learn 全景解读：机器学习的“瑞士军刀”当我们谈论机器学习时，scikit-learn 无疑是这个领域最经典、最广泛使用的工具库之一。与神经网络不同，scikit-learn专注于传统机器学习算法的统一实现和标准化接口——它将复杂的统计学习和数据挖掘算法封装为简单一致的 API，让用户能够以极低的学习成本解决实际问题。

集成学习简介集成学习是一种机器学习方法。它不试图训练一个单独的模型来解决问题，而是训练多个模型（通常称为“弱学习器”或“基学习器”），然后将它们的预测结果以某种策略组合起来，以得到一个更强大、更准确的最终模型。

03阶段：机器学习・人工智能三大概念：人工智能（AI）、机器学习（ML）、深度学习（DL）。・人工智能：是一个研究领域，像人一样、机器智能的综合与分析。

陈天伟教授

“快速模式”和“专家模式”你提到的“快速模式”和“专家模式”通常出现在各类工具、软件或AI产品中。由于没有指明具体场景，我列举几个最常见的情况供你参考：

机器学习全家族模型详解 + 关系梳理机器学习（ML）是人工智能（AI）的核心分支，所有你听过的模型，无论是传统的线性回归、XGBoost，还是深度学习里的 CNN、Transformer、GNN，全都是机器学习家族的成员，只是分属不同的分支、适配不同的场景。

Hermes Agent 06. 技能、记忆与上下文文件如果说工具决定 Hermes “能不能做”，那么技能、记忆和上下文文件决定它“会不会持续做对”。Skill 是按需加载的流程知识。它更像一份可执行的说明书，而不是一条记忆条目。

PyTorch 与 scikit-learn 全景对比分析在人工智能蓬勃发展的今天，两个开源库以截然不同的方式塑造着机器学习领域：PyTorch 以其动态计算图和端到端可微分编程定义了深度学习的研究范式，而 scikit-learn 凭借其一致的 API 设计和丰富的传统算法集成为机器学习实践的标准工具。它们代表了机器学习发展的两个不同维度：PyTorch 追求深度——专注于神经网络和复杂表征学习；scikit-learn 追求广度——覆盖从数据清洗到模型评估的完整工作流。

机器学习 —— 逻辑回归（浅析与实例）目录一、概念二、数学知识1.sigmoid 函数2.概率<1> 边际概率 ——<2> 联合概率 ——<3> 条件概率 ——

做不规则多变量时序预测，试试ReIMTS递归多尺度框架，我实验涨点明显！不规则多变量时间序列的预测任务在医疗、气象等领域至关重要，但其面临着采样间隔不均和数据缺失两大挑战。传统方法难以在稀疏数据中捕捉可靠模式，而现有的大型预训练模型多为规则采样数据设计。