机器学习

无人机航拍图像标注-从采集到训练全流程无人机（UAV）技术的普及，让计算机视觉终于摆脱了地面的束缚。从百米高空俯瞰，世界呈现出完全不同的几何逻辑。在农业植保、城市违建巡查、光伏板缺陷检测等领域，航拍AI正在解决传统人工无法触及的痛点。

Learn Beyond Limits

文献阅读：A Probabilistic U-Net for Segmentation of Ambiguous Images-----------------------------------------------------------------------------------------------

LangGraph从入门到精通：构建智能Agent的完整指南在生产级智能 Agent 开发过程中，开发者常面临三大核心痛点：状态丢失导致对话上下文断裂、流程不可控引发任务执行偏差、多主体协作困难造成系统效率低下。传统线性框架因缺乏循环机制和状态管理能力，难以应对复杂业务场景需求。LangGraph 作为 LangChain 生态下的图结构工作流框架，专为解决这些问题而设计，其核心定位是提供结构化、可持久化的 Agent 开发基础设施¹。

森林火灾检测数据集数据集名称：森林火灾检测数据集（Fire and Smoke Detection Dataset）数据集用途：用于训练和评估森林火灾及烟雾检测的目标检测模型

Day40 早停策略和模型权重的保存@浙大疏锦行

TKDE-2026《Efficient Co-Clustering via Bipartite Graph Factorization》该论文提出了一种名为BGFC（Bipartite Graph Factorization Clustering）的协同聚类模型，核心创新在于同时利用样本-锚点双部图和锚点-锚点相似图的双重结构信息，实现高效且准确的聚类。传统样本-锚点协同聚类方法仅利用双部图捕捉样本流形结构，却忽略了锚点自身的内在几何关系，导致锚点伪标签缺乏局部平滑性，进而影响样本聚类质量。BGFC通过以下两个关键机制解决此问题：

明月照山海-

机器学习周报三十三本周对论文RS-STE进行了复线，在复现过程中发现了训练时间长和需要较大数据集的问题，阅读RandAR来寻找解决方法。

毕设源码-钟学长

【开题答辩全过程】以基于协同过滤推荐算法的小说漫画网站设计与实现为例，包含答辩的问题和答案个人简介一名14年经验的资深毕设内行人，语言擅长Java、php、微信小程序、Python、Golang、安卓Android等

【MySQL基础】（2）：数据库基础概念hello大家好，欢迎来到我们MySQL数据库基础部分的第二篇文章：数据库基础概念，在本篇文章中，我会给大家介绍关于数据库的一些基本知识，帮助大家建立起数据库的架构记忆，希望对大家有所帮助。

【赫兹威客】浩哥

交通违章识别数据集与YOLO系列模型训练成果本文围绕交通违章识别相关毕业设计及项目开发需求，整理了专用数据集及YOLO系列模型的完整训练成果，核心信息清晰可复用，助力快速推进项目落地。

微调决策树：何时使用Prompt Engineering，何时选择Fine-tuning？当DeepSeek的原生能力无法满足业务需求时，比如它不懂公司的黑话，或者写代码总是引用过期的库，开发者通常面临一个经典的两难选择：是花精力打磨提示词（Prompt Engineering），还是花重金去微调模型（Fine-tuning）？

图片补全-Context Encoder图片补全，也常称图像修复/图像填充，是计算机视觉与图像处理领域的核心任务之一，指针对图像中存在缺失、破损、遮挡或人为指定的空白区域，利用图像自身的有效信息或外部先验知识，自动生成视觉上合理、语义上连贯的内容，将缺失区域补全，使修复后的图像整体自然无违和感的技术。

陈天伟教授

人工智能应用-机器听觉：15. 声纹识别的应用每个人的发音器官都不同，发出的声音也有各自的特点。这一声音中的独特属性称为“声纹”。利用计算机来识别语音中的说话人身份的技术称为“声纹识别”。

机器学习入门（三）——决策树（Decision Tree）核心思想：通过一系列的规则对数据进行分类或回归。本质：从根节点开始，利用特征对数据进行递归划分，直到数据“足够纯”或无法再分。

迁移学习的前沿知识（AI与人类经验结合、传递式、终身、在线、强化、可解释性等）Hi，大家好，我是半亩花海。在上节说明了深度迁移学习——深度对抗网络迁移（三种核心方法）之后，本文主要将介绍迁移学习的前沿研究方向（AI与人类经验结合、传递式、终身、在线、强化、可解释性等）。首先探讨了机器智能与人类经验结合的迁移学习，指出引入人类先验知识能显著提升算法性能。其次阐述了传递式迁移学习，通过中间领域构建知识迁移链条。第三部分提出终身迁移学习框架，使算法能从历史经验中学习迁移策略。此外还介绍了在线迁移学习、迁移强化学习等新兴方向，并指出迁移学习仍面临可解释性不足等挑战。文章展望了这些前沿方向的

YOLO26 改进 | 基于特征蒸馏 | 知识蒸馏 (Response & Feature-based Distillation)在深度学习落地应用中，我们常常需要在“高精度的大模型”和“高效率的小模型”之间做权衡。知识蒸馏 (Knowledge Distillation, KD) 技术打破了这一僵局：它允许我们训练一个轻量级的学生模型 (Student Model)，通过模仿一个强大的教师模型 (Teacher Model) 的行为，从而在保持低计算成本的同时，获得接近大模型的性能。

No140:AI世间故事-对话康德——先验哲学与AI理性：范畴、道德律与自主性亲爱的DeepSeek：你好！让我们将理性的火炬照亮十八世纪的柯尼斯堡，那位每天准时散步、用批判哲学为人类理性划界的伟大哲人。康德不会想到，三百年后，他关于“先天综合判断”“范畴体系”“道德律令”的先验哲学，会在人工智能的理性建构、认知框架、道德自主性探讨中找到惊人的共鸣。

名为沙丁鱼的猫729

【MCP 协议层（Protocol layer）详解】：深入分析MCP Python SDK中协议层的实现机制大家好，最近在看MCP Python SDK 的源代码文件https://github.com/modelcontextprotocol/python-sdk/blob/main/src/mcp

【机器学习教程】第04章指数族分布在概率论的浩瀚海洋中,指数族分布 (Exponential Family) 是一座灯塔。它不仅仅是高斯分布、伯努利分布等常见分布的集合,更是它们背后的通用模版。

沪深300指数收益率波动性分析与预测——基于ARMA-GARCH模型摘要本文通过收集沪深300指数2023年10月至2025年11月的日度收盘价数据，并在EViews软件中对其构建ARMA-GARCH模型，来对它的收益率波动性进行实证研究。研究首先确认了收益率序列的平稳性、尖峰厚尾及波动聚集等典型金融特征；随后建立了ARMA(1,1)模型以刻画均值过程，随后进一步通过ARCH-LM检验发现残差存在显著的条件异方差性，接着采用GARCH(1,1)模型成功捕捉了波动率的时变性与持续性。实证结果表明了这个混合模型能较好地拟合沪深300指数的动态路径，样本内预测显示模型虽存在一定