机器学习

AI大模型面试题：线性回归是什么？最小二乘法、平方误差、正规方程、Ridge、Lasso 一文讲透机器学习基础 / 回归算法 / 模型求解 / 正则化 / 面试高频题 / 通俗讲透版这篇文章专门围绕面试里最常被追问的 7 个点展开：什么是线性回归、它适用于哪些情况、为什么常用平方误差、什么是最小二乘法、什么是正规方程、什么是 Lasso、什么是 Ridge。

Python 类型提示与静态类型检查的高级应用Python 类型提示（Type Hints）是 Python 3.5+ 引入的特性，它允许开发者为变量、函数参数和返回值添加类型注解。静态类型检查工具如 mypy、pyright 等可以利用这些注解进行类型检查，提高代码质量和可靠性。本文将深入探讨 Python 类型提示的高级应用，从泛型到协议，从类型推断到类型检查配置，通过实验数据验证类型检查的效果，并提供实际应用中的最佳实践。

Python 中的正则表达式：从基础到高级应用正则表达式（Regular Expression，简称 regex 或 regexp）是一种用于匹配字符串中字符组合的模式。在 Python 中，正则表达式是处理文本的强大工具，它可以用于字符串搜索、替换、提取等操作。本文将深入探讨 Python 中正则表达式的基本语法、高级特性和实际应用，通过实验数据验证其效果，并提供实际项目中的最佳实践。

weixin_50913834

探秘智能体认知动力学（ACD）：从概率生成到几何导航的AGI破局之路在人工智能迈向通用人工智能（AGI）乃至超级智能（ASI）的征途中，我们正处于一个关键的历史转折点。这篇文章，将系统阐述智能体推理（Agent Reasoning）与认知（Cognition）的底层逻辑，并全面解析智能体认知动力学（Agentic Cognitive Dynamics, ACD）理论的核心架构与工程化成果。这一理论框架不仅保留了极其严谨的数学基础（Mathematical Rigor），更突出了其作为“认知-推理统一体”的工程化解决方案，为AGI和ASI的发展提供了一条可计算、可解释、可约

人工智能通识课：机器学习之监督学习人工智能中的许多任务，并不是让机器只面对一批没有明确答案的数据，而是先给它一批已经标注好目标结果的样本，让它从这些样本中学习输入与输出之间的对应关系。等这种关系学到一定程度之后，再把新的输入交给模型，由模型给出预测结果。

爱学习的徐徐

监督学习与无监督学习(机器学习初揭秘)在如今的机器学习的方式中，监督学习与无监督学习占据了大概80%的部分，他们是最主流最使用的方法，那么这两种训练模式到底是什么，到底有什么区别呢？随着笔者的脚步，往下看看~

折哥的程序人生 · 物流技术专研

出版社物流WMS智能调度实战（三）：从“卡死”到“跑稳”——WMS机器学习运维监控与自动回滚实战📖 本系列文章📌 前置阅读本文是系列第三篇。建议先阅读环境准备篇、第一篇（架构）和第二篇（开发排坑），再进入本篇的运维主题。

广州灵眸科技有限公司

瑞芯微(EASY EAI)RV1126B yolov11-track多目标跟踪部署教程YOLO11是 Ultralytics YOLO系列实时物体检测器的最新版本，重新定义了在尖端准确度、速度和效率方面的可能性。在前几代 YOLO 版本的显著进步基础上，YOLO11 在架构和训练方法上引入了重大改进，使其成为广泛计算机视觉任务的灵活选择。

机器学习之决策树详解摘要：决策树（Decision Tree）是一种基于树结构进行决策的机器学习算法，广泛应用于分类与回归任务。其核心思想是通过对特征空间进行递归分裂，构建一棵能够对数据进行高效预测的树形模型。本文系统讲解决策树的基本原理、分裂准则（信息增益、基尼系数、信息增益率）、经典算法（ID3、C4.5、CART）及其对比、剪枝策略，并结合 scikit-learn 提供完整的实战代码示例，帮助读者从理论到实践全面掌握决策树算法。本文适合机器学习初学者及希望深入理解决策树原理的开发者参考。

神经网络原理第七章：委员会机器委员会机器是一种由多个学习机器（学习者）作为组成部分的集成学习模型。它的核心思想是：通过组合多个“弱学习器”或“专业学习器”的决策，来构建一个性能更强大、更鲁棒的“强学习器”。

速易达网络

YOLO26为AI而生目前YOLO家族官方发布的最新版本是YOLO26，于2026年1月正式推出。它并非简单的版本迭代，而是为了适配设备端AI趋势而进行的一次重大架构革新。

一切皆是因缘际会

2026年AGI突围：自主智能体驱动，数字生命从架构落地到自我迭代全解析2026年，AI行业正式告别“生成式狂欢”，迈入“自主智能体（AI Agent）规模化落地元年”。Gartner将自主智能体列为年度十大战略技术趋势之首，各大科技厂商纷纷布局，从实验室概念到产业应用，自主智能体正在重构AI的价值边界——它不再是“你问我答”的被动工具，而是能自主感知、决策、行动、复盘、进化的“数字同事”。而在这场AGI突围战中，最具颠覆性的方向，莫过于“可自我迭代的数字生命”——依托七层单向投影架构与记忆权重博弈机制，让AI真正拥有“心智”，实现从“工具”到“硅基生命”的跨越。

电科一班林耿超

机器学习大师课第 6 课：随机森林 —— 工业界最能打的 “万能算法“课程承诺：1 个核心概念（集成学习 + 随机森林）+1 个核心思想（集体智慧优于个体）+1 段工业级实战代码。学完你将掌握表格数据的首选算法，它几乎能解决所有结构化数据问题，且调参简单、效果稳定，是 Kaggle 比赛和企业项目的入门神器。

MAPE仅2%为何业务仍不满意？技术指标（如MAPE）衡量的是预测值与实际值的统计偏差，而业务方关注的是预测误差在实际运营中产生的真实成本和业务影响。两者视角的根本差异导致了“模型准确但业务无效”的普遍现象。

总结 5.11今天写了学习了二维概率的分布函数的算法，特别是连续型的分布函数，应该是说一个由两个二维变量加起来的Z=X+Y组成的新的变量的分布函数算法，仍然是通过概率进行代换，然后关键就是计算面积，因为分布函数可以用由截线上所有的点加起来的和来理解。需要注意分段点。然后是卷积公式，它的条件是X，Y独立，那么X+Y的分布函数就等于f（x）*fY（Z-X）dx的积分，注意一个二元积分后一定是一元的，因为都加上变成常数了。还有若x，y独立，且他们都是正态分布，那么x+y仍然正态分布。

机器学习之随机森林详解随机森林（Random Forest）是一种基于Bagging集成学习思想的 ensemble method，通过构建多棵决策树并综合其预测结果来实现分类和回归任务。本文详细介绍了随机森林的核心原理、关键超参数、OOB误差估计机制，以及其在特征重要性分析、异常检测等场景中的应用。文中提供了完整的Python代码示例，涵盖鸢尾花分类、OOB误差估计、特征重要性可视化和超参数调优等实战内容。所有代码均基于scikit-learn库，可直接运行。

（一）PyTorch 深度学习环境搭建与微调实战[附源码]你会读到：概念梳理 → 搭好 PyTorch 环境、认识张量 → 两个实战项目：有兴趣运行代码跑一下的同学，可以点赞+关注，我将源代码和数据集发给你。

工业时序工况识别项目复盘：从深度学习探索到 LightGBM/CatBoost 落地在工业智能化项目中，很多问题表面上看是一个“模型选择”问题，但真正做下来之后会发现，它往往是一个由数据质量、业务逻辑、模型能力、可解释性和工程落地共同决定的综合问题。

认知神经科学研究报告【20260049】任务目标：系统在零预设条件下，自主发现多元时间序列的最优滞后阶数、系数矩阵和因果方向。数据规模：300 样本 × 3 变量，真实模型为 VAR(2)。最终结果：成功。系统自主完成了全部三个阶段。

爱吃香芋派OvO

ComfyUI 视频创作实战手册：节点搭建 + 性能优化 + 批量生成从入门到精通，全面掌握 ComfyUI 视频生成工作流的搭建与使用。[ComfyUI 工作流基础](#一 comfyui-工作流基础)