机器学习

HyperAI超神经

IQuest-Coder-V1：基于代码流训练的编程逻辑增强模型；Human Face Emotions：基于多标注维度的人脸情绪识别数据集当前，AI 代码生成工具虽然普及，但常面临生成代码逻辑僵化、上下文理解不足、难以模仿真实开发流程的挑战。许多模型仅学习代码片段的「静态快照」，缺乏对代码为何及如何修改的深层理解，导致生成的代码实用性受限。

啊阿狸不会拉杆

《机器学习》第 1 章 - 机器学习概述大家好！今天开始我们《机器学习》系列的第一篇内容 —— 机器学习概述。这一章是机器学习的入门基石，我会用通俗易懂的语言拆解核心概念，搭配可直接运行的 Python 代码、可视化对比图和思维导图，帮大家建立对机器学习的整体认知。所有代码都经过实测，注释详尽，新手也能轻松上手！

人工智能之核心基础机器学习第十八章经典实战项目第十八章经典实战项目根据房屋特征（面积、房间数、位置等）预测价格。💡 关键点：预测电信用户是否会流失（0/1分类）。

矩阵束法（Matrix Pencil）用于 FMCW 雷达干扰抑制：论文精读Wang J, Ding M, Yarovoy A. Matrix-pencil approach-based interference mitigation for FMCW radar systems[J]. IEEE Transactions on Microwave Theory and Techniques, 2021, 69(11): 5099-5115.

编程小风筝

机器学习和稀疏建模的应用场景和优势机器学习是一种人工智能技术，它使计算机系统能够从数据中学习并做出预测或决策，而无需明确编程。它涉及到使用算法和统计模型来分析大量数据，识别其中的模式和关系，然后利用这些信息来预测未来事件或做出决策。机器学习可以应用于各种领域，包括图像识别、自然语言处理、推荐系统、医疗诊断等。

程序员小嬛

(TETCI 2024) 从 U-Net 到 Transformer：即插即用注意力模块解析小伙伴们好，我是小嬛。专注于人工智能、计算机视觉领域相关分享研究。【目标检测、图像分类、图像分割、目标跟踪等项目都可做，相关领域论文辅导也可以找我；需要的可联系（备注来意）】

小饼干超人

详解向量数据库中的PQ算法（Product Quantization）HNSW的原理看这里：图解 HNSW（Hierarchical Navigable Small Worlds）原理 IVF原理看这里：IVF（Inverted File）原理图解：高维向量的分桶加速搜索

2.30 传统行业预测神器：为什么GBDT系列算法在企业中最受欢迎GBDT系列算法（XGBoost、LightGBM等）在传统行业（金融、零售、制造等）中应用最广泛。本文将深入分析为什么这些算法在企业中最受欢迎，以及它们的优势所在。

zm-v-15930433986

最新AI-Python自然科学领域机器学习与深度学习技术1.数据尺度分类：名义数据、有序数据、定距数据、比率数据 2.多维数据结构：时间序列、纵向数据、空间场数据、面板数据以及内生/外生变量辨析 3.缺失值处理：基于统计的插补，多重插补 4.异常值处理：基于统计的异常值处理，基于模型的异常值处理 5.特征工程以及高级特征构造：熵、Hurst指数、滑动统计量

郝学胜-神的一滴

何友院士《人工智能发展前沿》全景解读：从理论基石到产业变革《人工智能发展前沿》（ISBN：9787302702849）由何友院士领衔，联合五位顶尖学者共同编撰，清华大学出版社2025年10月出版。这部著作系统构建了AI知识体系，其独特价值在于：

第五章：支持向量机目录1. 什么是最好的决策边界？2. 数学背后的逻辑目标函数约束条件怎么解？拉格朗日乘子法3. 一个简单的手算实例

数据与后端架构提升之路

实战：手搓一个“BEV 级”自动驾驶训练加速平台 —— 当 RTX 4090 遇上多模态数据导读：在自动驾驶算法（如 BEVFusion, UniAD）大行其道的今天，训练平台面临前所未有的挑战：不仅要处理高清图像，还要实时吞吐数百万级的 LiDAR 点云。传统的 DataLoader 在多模态数据面前脆弱不堪。本文将揭秘如何利用 NIXL 实现点云/图像的异构并发加载，并用 Triton 手写 Voxelization（体素化）算子，将多模态训练流水线加速 10 倍。

HyperAI超神经

【vLLM 学习】Rlhf UtilsvLLM 是一款专为大语言模型推理加速而设计的框架，实现了 KV 缓存内存几乎零浪费，解决了内存管理瓶颈问题。

爱喝可乐的老王

机器学习监督学习模型--线性回归线性回归是机器学习中最基础、最常用的算法之一，核心作用是 “建模变量间的线性关系”，比如用广告投入预测销售额、用学习时长预测考试成绩。它原理简单、可解释性强，是解决回归类问题的 “入门首选”，工作中掌握这一章的核心内容，能应对 80% 的连续值预测场景。

gorgeous(๑>؂<๑）

【中国科学院光电研究所-张建林组-AAAI26】追踪不稳定目标：基于外观引导的运动建模在无人机拍摄视频中实现稳健的多目标跟踪文章：Tracking the Unstable: Appearance-Guided Motion Modeling for Robust Multi-Object Tracking in UAV-Captured Videos

机器学习实战：多项式回归建模——从模拟数据到模型评估投票链接：https://www.csdn.net/blogstar2025/detail/056给定函数：y = sin(x) 取样：在给定的 x 值（x = -3, -2, -1, 0, 1, 2, 3）计算对应的 y 值。杂讯：对所计算的 y 值，加上高斯杂讯（mean=0, stdev=0.25）。

汽车仪器仪表相关领域

双组分精准快检，汽修年检利器：MEXA-324M汽车尾气测量仪项目实战全解在汽车维修保养与年检行业对尾气检测效率和精准度要求日益提升的背景下，快速、可靠、易用的CO/HC双组分尾气测量已成为汽修厂故障诊断、排放合规性检测与日常维护的核心工具。近期，我带领团队采用HORIBA MEXA-324M汽车尾气测量仪，完成了45家汽车4S店、38家综合汽修厂与22家机动车检测站的尾气检测能力升级项目，累计支撑超12万台次车辆（含8万台家用轿车、3万台轻型货车、1万台新能源混动车辆）的排放检测、故障诊断与维修验证任务。该系统以**NDIR精准测量技术、便携轻量化设计、操作极简主义、稳定可靠

【机器学习】深度学习推荐系统（三十）：X 推荐算法Phoenix rerank机制Phoenix 是 X（原 Twitter）推荐系统中的新一代机器学习模型，用于更准确地预测用户行为。Phoenix 重评分（Phoenix Rescoring）是一个可选步骤，使用 Phoenix 模型的预测分数来调整最终排序分数。本文将深入解析 Phoenix 重评分的机制和工作原理。

python机器学习ML

机器学习——16种模型(基础+集成学习)+多角度SHAP高级可视化+Streamlit交互式应用+RFE特征选择+Optuna+完整项目集成自动化统计筛选、SMOTE平衡与Optuna优化，构建Voting/Stacking高性能模型；融合DCA、校准曲线及SHAP/LIME进行深度验证与解释，并基于Streamlit实现Web端部署，打通从数据挖掘到应用落地的全链路。

木头程序员

工业视觉的“零缺陷”悖论：小样本异常检测的可行路径在智能制造升级浪潮中，工业视觉检测作为实现产品“零缺陷”质控的核心技术，已广泛应用于汽车零部件、电子半导体、精密机械等领域。然而，实际产线中普遍存在的“缺陷样本极少、缺陷类型多变”问题，形成了典型的“零缺陷”悖论——追求零缺陷需精准识别各类异常，但稀缺的缺陷样本又导致检测模型泛化能力不足，易出现误报、漏检，难以满足产线高精度、高稳定性需求。