机器学习

数据科学每日总结--Day44--机器学习机器学习是近年来流行的人工智能技术的一个分支。机器学习模型和技术已经被广泛地用于许多领域，如自然语言理解、机器视觉和模式识别。

机器学习29：增强式学习（Deep Reinforcement Learning）④本次学习了深度强化学习中应对稀疏奖励与无明确奖励信号的核心方法。首先详细了解了奖励塑造的基本概念，分析了在稀疏奖励环境下通过引入基于领域知识的额外奖励以引导智能体学习的机制，并特别探讨了基于好奇心的奖励塑造方法。进一步，深入讨论了在完全缺乏奖励信号的情况下如何通过模仿学习与逆强化学习进行策略学习，重点剖析了逆强化学习通过专家示范反推奖励函数、并迭代优化智能体策略的工作原理，同时揭示了其与生成对抗网络在框架上的深刻相似性，为理解和应用复杂环境下的强化学习提供了关键思路。

拉普拉斯金字塔简介：个人学习分享，如有错误，欢迎批评指正。拉普拉斯金字塔，把高分辨率图像分解成小分辨率的子图，然后根据之前保留的残差图重构出原始高分辨率图，给定一个输入，然后得到的结果还是原输入。拉普拉斯金字塔可以看作 base + detail 分解，base 就是低分辨率下的低频信号，detail 就是不同尺度下的高频细节。图像的 detail 中只有少部分是高频，大部分细节接近于 0，只要把接近于 0 的那部分数据置为 0，就可以减少数据存储所需空间，同时图像的基本信息不变。实际存储只需要记录每个尺度下的少量高频

Day26 常见的降维算法@疏锦行原理：PCA（Principal Component Analysis）是一种无监督的线性降维方法。它的核心思想是找到数据方差最大的方向（主成分），将数据投影到这些方向上，从而尽可能多地保留原始信息。

weixin_44693403

统计学中“in sample test”与“out of sample”有何区别？源自风暴统计网：一键统计分析与绘图的网站今天在一篇因果推断SCI论文中，看到一个词out of sample，翻译为各模型在所有处理和结局变量下的样本外 AUC 和 MSE。这是何意？“in sample test”与“out of sample”有何区别？

wubba lubba dub dub750

第三十三周学习周报今日学习聚焦Fluent文件管理：掌握.msh、.cas、.dat核心文件作用，并对比.gz与.h5压缩格式的优缺点，为高效仿真文件存储提供选择依据。

【深度学习小课堂】| torch | 升维打击还是原位拼接？深度解码 PyTorch 中 stack 与 cat 的几何奥义在 PyTorch 的张量操作中，torch.cat (concatenate) 和 torch.stack 是两个最高频出现的“兄弟”函数。初学者往往觉得它们都能合并张量，但在构建复杂的神经网络（如 SKNet、特征融合模块）时，选错函数往往会导致维度冲突或逻辑错误。

深度学习周报（1.12~1.18）目录摘要Abstract1 U-Net 代码1.1 网络架构1.2 数据增强2 Sinkhorn 算法实操

【回溯+剪枝】字符串的排列这道题本质上跟【回溯】有重复项数字的全排列是一样的，都是【有重复项数字的全排列问题】，只不过从普通的数组环境迁移到了字符串环境，其实字符串本质上也是数组，字符数组嘛。

当DeepSeek V4遇见近屿智能：一场AI进化的叙事正在展开大家好，这里是近屿智能！每逢春节，必有巨变。AI领域的浪潮，再次因DeepSeek而涌动。前几天，The Information 独家报道，DeepSeek 正在准备发布下一代旗舰模型 V4，预计在 2 月中旬春节前后上线。

机器人系统SLAM讲解SLAM 全称是 Simultaneous Localization and Mapping，翻译为同时定位与建图。

Quintus五等升

深度学习②|实现人数回归预测在深度学习的任务中，回归预测是一类常见的场景，主要用于预测连续型的数值结果。本文是我在学习新冠阳性人数回归预测后的总结，用于今后的复盘、回顾。如有问题，还望指教。

大模型最新论文速读

ProFit: 屏蔽低概率 token，解决 SFT 过拟合问题大语言模型（LLM）在完成预训练后，通常需要通过监督微调（SFT）来适配特定的下游任务。然而，传统SFT存在一个被长期忽视的根本性问题：语言的 "一对多"特性与训练目标的 "一对一"强制对齐之间的矛盾。

机器学习算法详解：DBSCAN 聚类原理、实现流程与优缺点分析聚类是机器学习中一种重要的无监督学习方法，其目标是在没有先验标签的情况下，根据样本之间的相似性，将数据自动划分为若干类别。聚类结果通常要求同一类内部的数据相似度较高，而不同类别之间的差异尽可能大。由于不依赖人工标注，聚类算法在数据探索、模式识别和异常检测等领域具有广泛应用。

做科研的周师兄

【MATLAB 实战】｜多波段栅格数据提取部分波段均值——批量处理（NoData 修正 + 地理信息保真）_后附完整代码水文气象、生态环境科研党注意！处理长时间序列数据时，是不是常遇到这些痛点：NoData 值干扰计算导致结果失真、批量处理多年数据重复劳作、保存后丢失地理参考无法对接 GIS 分析？这份优化版 MATLAB 代码直接直击核心，附带逐行深度解析，新手也能轻松复刻！

人工智能之核心基础机器学习第十七章 Scikit-learn工具全解析第十七章 Scikit-learn工具全解析💡 验证安装：Scikit-learn 的设计哲学：“Estimator 接口统一”

明月照山海-

机器学习周报三十一本周看了两篇关于场景文本编辑的论文，达到了最新的SoTA的论文，学习到了数据集构建和损失函数构造对模型性能提升至关重要。

袁气满满~_~

机器学习笔记使用有标签的数据集（给定输入X的正确标签Y）来训练模型。算法最终学会在没有输出标签的情况下仅凭输入就能给出相当准确的预测。

过期的秋刀鱼！

机器学习-带正则化的成本函数-在上一节介绍了如何防止模型过拟合，现在就详细的讲一讲其中的一个办法，正则化今天就详细的讲一下从之前的数据集图象（房价预测）

郝学胜-神的一滴

机器学习数据预处理：归一化与sklearn的MinMaxScaler详解在机器学习项目中，数据预处理是构建高效模型的关键步骤！据统计，数据科学家80%的时间都花在数据清洗和预处理上。原始数据往往存在以下问题：