机器学习

EM 算法完整推导与本质剖析最终目标:最大化对数似然函数 log ⁡ P ( X ∣ θ ) \log P(X|\theta) logP(X∣θ)。

搬砖的小码农_Sky

如何在RX 7900 XTX显卡上运行ROCm?我们可以把ROCm看作是AMD版的CUDA。它是AMD为了让你能在它的GPU上做高性能计算和AI开发，而打造的一个开源软件平台。

一切皆是因缘际会

AI工程化落地指南：当下AI技术爆发式发展，大模型、边缘AI、Agent等概念层出不穷，很多开发者都能快速搭建AI原型Demo，实现“能用”的效果——比如用LangChain搭建简单的问答机器人，用YOLO实现基础目标检测，用开源模型完成文本生成。但当这些原型试图推向生产环境、服务真实用户时，绝大多数都会陷入“原型能用、生产不可用”的困境。

Claude Code Skill（技能）系统机制与运行原理报告报告日期：2026-05-12 分析范围：Claude Code CLI 项目完整 skill 系统Skill（技能）是 Claude Code 中的一种可扩展的 prompt 注入机制。每个 skill 本质上是一个 Markdown 文件（或程序化定义的 prompt 生成器），当被触发时，会将预定义的指令内容注入到当前对话上下文中，指导 Claude 模型执行特定任务。

直播抠图技术100谈之25---调色中曲线是最优解蓝松抠图在即将发布的版本中特意重写了曲线调节，把达芬奇的二级曲线重新做了一遍，并模仿达芬奇的节点图做了自己的节点图。我们为什么要重新设计曲线，因为我们认为调色中曲线是最优解；

AAAI 2025 | DuSSS：基于双语义相似性监督的半监督医学图像分割AAAI 2026 | DuSSS：基于双语义相似性监督的半监督医学图像分割论文题目：DuSSS: Dual Semantic Similarity-Supervised Vision-Language Model for Semi-Supervised Medical Image Segmentation

transformers迁移学习迁移学习是一种机器学习技术，其核心思想是将在一个任务（源任务）上学习到的知识，应用到另一个相关但不同的任务（目标任务）上。

关于支持向量机（SVM）的数学原理、参数拟合、嵌入式部署的完整指南从几何直觉到数学推导，从参数拟合到嵌入式部署的全流程笔记。考虑一个二分类问题。给定训练集：D = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , … , ( x n , y n ) } D = \{(\mathbf{x}_1, y_1), (\mathbf{x}_2, y_2), \ldots, (\mathbf{x}_n, y_n)\} D={(x1,y1),(x2,y2),…,(xn,yn)}

CVPR 2026 | 时空时序论文总结（天气预报，交通模拟，域自适应等）CVPR 2026将在2026年6月5日至7日于美国科罗拉多会议中心（Colorado Convention Center）举行。

Σίσυφος1900

正则化数据并校准数据这是一个曲线 / 圆拟合 + 参数优化的残差函数，专门用于最小二乘法优化（配合 scipy.optimize.least_squares 使用）。

CCC：CarCrazeCurator

【DriveGen 文件详解】02——train.pytrain.py 是 DriveGen 项目的核心训练入口，实现了一个完整的条件视频扩散模型训练流程。该脚本基于扩散模型（Diffusion Model）原理，从驾驶场景的条件帧出发，学习预测未来帧序列，可应用于自动驾驶仿真、数据增强等场景。

哥布林学者

深度学习进阶（二十三）偏置型 RPE上一篇我们介绍了 T5 的主干逻辑，实际上，T5 的核心理念可以概括为“统一、简化” 。那么问题来了：

DAG工作流编排引擎：拓扑排序与并行调度的实战实现摘要：在复杂的AI应用中，任务往往存在依赖关系（如：先分析数据，再生成计划）。如果串行执行，效率极低；如果手动管理并发，逻辑混乱。本文基于一个真实的跑步教练AI项目，详细解析如何从零实现一个DAG（有向无环图）工作流编排引擎。我们将深入源码，结合流程图和调用链，展示如何利用Kahn算法实现拓扑排序、通过分层分组实现真正并行、以及构建变量引用系统。这套方案将复杂任务的执行时间缩短了67%，是处理多步骤依赖任务的通用解决方案。

生成论实验室

WOLM认知引擎：为系统赋予“知止”的生命本能——一套确定性、内生安全的通用认知决策内核在即将到来的“智能体时代”，所有机器人、自动驾驶汽车和复杂AI系统都面临一个根本性挑战：它们可以很聪明，但无法被真正信任。现有的主流AI，无论是大语言模型还是端到端驾驶系统，其决策本质上是基于统计概率的“猜测”。它们会“不懂装懂”，在从未见过的复杂场景中输出不可预测的结果，也无法在“迷茫”时主动停下。这使得它们在高可靠性要求的工业、医疗和交通场景中，始终被隔绝在安全围栏之外。

Miniconda 新手保姆级教程：从安装到熟练使用（全程无跳步，避坑指南附全）在Python、深度学习（比如YOLO、PyTorch），中“虚拟环境”能帮你隔离不同项目的依赖，避免“装一个包搞崩整个环境”的尴尬。而 Miniconda，就是最轻量化、最适合新手的虚拟环境管理工具（比Anaconda体积小太多，仅包含核心功能，不冗余）。

机器学习42：线性回归基础篇本文介绍了线性回归的基本原理与应用。线性回归是一种监督学习算法，用于建模自变量与因变量之间的线性关系。文章从一元线性回归入手，以身高预测体重为例，说明了最小二乘法的核心思想——通过最小化预测误差的平方和来找到最佳拟合直线。进而扩展到多元线性回归，给出其矩阵表示形式。此外，文章还展示了基于scikit-learn的线性回归API使用方法，并详细解释了损失函数的概念，包括均方误差（MSE）与平均绝对误差（MAE）。本文为理解回归类问题奠定了数学基础。

明月照山海-

机器学习周报四十五本周继续延续上周的工作，在寻找内容匹配相关的解决办法，阅读了论文Visual Matching Is Enough for Scene Text Retrieval，理解论文处理的流程，并对自己的数据集架构做了一些实验。

快速傅里叶变换与聚合风险精算模型一、问题的提出在聚合风险精算模型中，要计算N个损失变量Xi（i=1,2,3,...,N）之和，Z=X1+X2+X3+......+XN

没有梦想的咸鱼185-1037-1663

AI-Python机器学习、深度学习核心技术与前沿应用及OpenClaw、Hermes自动化编程随着观测技术、数值模拟与计算基础设施的迅猛发展，科学研究的范式正经历从"人工编程"到"智能体自动化"的深刻变革。无论您从事生命科学、环境科学、材料研究还是社会科学，都面临着共同的挑战：海量异构数据的处理耗时、复杂模型的编程门槛、以及从Idea到论文的漫长转化链条。不仅提供从Python基础到PyTorch深度学习的完整技术栈，更前瞻性地引入大模型工程化与自动化智能体（Agents）技术，打造"AI赋能的科研全链条"：

OpenDeepThink：让大模型不再只沿着一条思路硬想论文：OpenDeepThink: Parallel Reasoning via Bradley–Terry Aggregation arXiv:2605.15177v1，提交时间：2026-05-14 17:57:40 UTC 作者：Shang Zhou、Wenhao Chai、Kaiyuan Liu、Huanzhi Mao、Qiuyang Mang、Jingbo Shang 来源：https://arxiv.org/abs/2605.15177 关键数据：Gemini 3.1 Pro 在 8 轮顺序