机器学习

我材不敲代码

机器学习入门 04逻辑回归part2——提高逻辑回归模型的召回率书接上回，上一部分我们学习了逻辑回归基础，将信用卡数据集构建了逻辑回归模型，但是，我们构建的模型还有非常多的地方可以优化，这一篇就来介绍如何提高逻辑回归模型的准确率。

信而有征——模型评估、验证与可信部署的完整体系“一个未经验证的模型，无论多么精巧，都只是空中楼阁。真正的智能，不在于预测本身，而在于对预测不确定性的诚实。” ——机器学习工程的核心信条

铁蛋AI编程实战

DeepSeek mHC解析（流形约束超连接）2026年初DeepSeek团队由创始人梁文锋领衔署名，在arXiv正式发布mHC（Manifold-Constrained Hyper-Connections）最新技术论文《mHC: Manifold-Constrained Hyper-Connections》（论文地址：https://arxiv.org/pdf/2512.24880），核心突破超连接（HC）在大规模模型训练中的数值不稳定性与显存墙难题，通过几何约束与工程算子双重优化，实现“稳定性-表达能力-计算效率”的三重平衡。

氨基酸序列表示法，蛋白质序列表达计算机中机器学习大语言模型中的表达，为什么没有糖蛋白或者其他基团磷酸化甲基化乙酰化泛素化蛋白质的表达方式主要有以下几种：在我们创建的deepseekr1词库中，使用了以下特殊标记：这些表达方式在不同的应用场景中各有优势，我们之前创建的词库主要用于机器学习模型的蛋白质序列处理。

教程上新｜DeepSeek-OCR 2公式/表格解析同步改善，以低视觉token成本实现近4%的性能跃迁在视觉语言模型（VLMs）的发展进程中，文档 OCR 始终面临着布局解析复杂、语义逻辑对齐等核心挑战。传统模型大多采用固定的「左上到右下」栅格扫描顺序处理视觉 token，这种刚性流程与人类视觉系统遵循的语义驱动型扫描模式相悖，尤其在处理含复杂公式、表格的文档时，容易因忽视语义关联导致解析误差。如何让模型像人类一样「读懂」视觉逻辑，成为提升文档理解能力的关键突破口。

直接法读书笔记 01 第1章引言第 1 章引言本书阐述了用于直接求解稀疏线性系统的稀疏矩阵算法基础，内容涵盖从理论到算法、数据结构乃至实际可运行代码。本书选取算法时遵循以下目标：算法必须体现稀疏矩阵算法背后的重要理论；算法必须在运行时间和内存使用上达到渐进最优，或在实际应用中快速高效；算法必须简洁明了，易于理解，且篇幅足够简短以便在本书完整呈现；算法必须涵盖广泛的矩阵运算；算法必须精确且稳健。

AEIC学术交流中心

【快速EI检索 | SPIE出版】2026年机器学习与大模型国际学术会议（ICMLM 2026）【SPIE出版】2026年机器学习与大模型国际学术会议（ICMLM 2026）2026 International Conference on Machine Learning and Large Models

逻辑回归实例问题解决（LogisticRegression）将某个数据集分为训练集和测试集，将训练集再划分为K份，对于这K份训练集中的每一份都选择一次作为验证集（val），其余K-1份作为训练集，（避免将训练集再次切分，使得训练数据变少）

逻辑回归实战进阶：交叉验证与采样技术破解数据痛点（二）在机器学习二分类任务中，数据不平衡是最常见的实战痛点之一 —— 比如信用卡欺诈检测中欺诈样本仅占 0.17%、金融风控中违约用户不足 5%、医疗诊断中阳性病例占比极低。逻辑回归作为经典的线性分类算法，对数据分布尤为敏感，若直接用不平衡数据训练，模型会天然偏向多数类（正常样本），导致少数类（核心关注样本）的识别率极低，看似高准确率的模型，实际落地毫无价值。

机器学习：标准化流模型（NF）前几天我在研究生成式模型的时候，发现了一个有意思的现象：大家都在聊GAN、VAE、扩散模型，但标准化流（Normalizing Flows，NF）这个领域其实已经发展得相当成熟了。

【基础知识一】线性代数的核心：从矩阵变换到 SVD 终极奥义在计算机里，矩阵是二维数组；但在数学几何里，矩阵代表一个**“动作”或“变换” (Transformation)**。

Padim模型参数对于输入图像被划分为 H×WH×W 个空间位置（patches），PaDiM 为每个位置 (i,j)(i,j) 存储以下两个统计量：

机器学习过程（从机器学习到深度学习）机器学习模型训练三大步骤：以预测明日文章订阅量的任务(Regression，回归)为例。在此例中，机器学习的过程就是通过前几个月甚至几年的数据，机器找到一个函数能够预测明日的订阅情况，即

拆解自动驾驶核心架构——感知、决策、控制三层逻辑详解随着2026年自动驾驶迈入“超人智能”新阶段，从L2级辅助驾驶的普及到L4级Robotaxi的规模化试点，这项技术正逐步打破“小众黑科技”的标签，成为汽车产业与人工智能领域的核心赛道。对于技术开发者而言，吃透自动驾驶的三层核心架构，是入门与深耕的关键，今天就带大家拆解感知、决策规划、控制层的核心逻辑与技术要点。

张祥前统一场论核心场方程的经典验证-基于电子与质子的求导溯源及力的精确计算张祥前统一场论（ZUFT）以时空几何化为核心思想，将质量、电荷等基本物理量还原为时空几何属性，通过质量几何常数k、电荷几何常数k’构建几何描述与物理测量的桥梁，其核心场方程（电荷、电场、磁场定义方程）的正确性与经典兼容性是理论成立的关键前提。本文以CODATA 2018经典电磁学与粒子物理数据集为基准，以氢原子经典模型（电子-质子相互作用）为验证场景，完成ZUFT核心场方程的求导溯源、精确数值计算与经典电磁学定律的对比验证。通过将电子、质子的核心物理参数（电荷量、质量、运动速度）代入电荷、电场、磁场定义方

银行个人贷款违约风险预测（逻辑回归）业务痛点：某城商行个人贷款年放款额超500亿元，人工审核依赖经验判断，存在三大问题：项目目标：构建逻辑回归违约风险预测模型，实现“申请信息→违约概率”的自动化评估，目标：

从零开始学AI7——机器学习0本文系统梳理了机器学习三大范式：监督学习（有标签数据，含回归与分类算法）、无监督学习（无标签数据，含聚类与降维方法）和强化学习（基于奖惩机制）。重点介绍了12种核心算法原理与适用场景，如线性回归、SVM、K-Means等，并给出算法选择指南：预测数值用回归算法，分类问题选逻辑回归/随机森林，无监督分组用K-Means，特征降维用PCA。文末推荐使用Python的Scikit-learn库快速实现这些算法，通过fit-predict标准流程即可完成模型训练与预测。全文以"教科书教学"等生活化类比解析复杂算法

机器学习之逻辑回归逻辑回归是一种用于分类问题的统计方法，特别是二分类问题。虽然名字中有"回归"，但它解决的是分类任务。核心区别：

window wsl环境： autoware有日志，没有rviz界面/ autoware起不来1. 运行autoware报错： [ERROR] [rviz2-40]: process has died [pid 27797, exit code -6, cmd '/opt/ros/humble/lib/rviz2/rviz2 -d /root/work_space/autoware/install/autoware_launch/share/autoware_launch/rviz/autoware.rviz -s

Focal Loss：解决长尾图像分类中“多数类太强势”的损失函数在真实的图像分类任务中，你经常会遇到：类别不均衡 / 长尾分布头部类别样本很多，尾部类别样本很少（例如 10000:10）。