机器学习

机器学习第二讲 KNN算法KNN算法思想：如果一个样本在特征空间中的 k 个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别。

MindSpore开发之路（二十四）：MindSpore Hub：快速复用预训练模型在上一篇文章中，我们探索了 MindSpore 的 ModelZoo，它像一个庞大的“模型菜谱”集合，为我们提供了各种高质量模型的标准实现代码。这对于学习、复现和进行深度定制非常有帮助。但如果我们的目标是快速将一个成熟的模型应用到某个任务中，有没有比“照着菜谱从零做起”更高效的方式呢？

传送带上运动模糊图像复原：提升动态成像清晰度的 6 个核心方案，附 OpenCV+Halcon 实战代码！在传送带视觉系统中，你是否常被这些问题困扰？运动模糊复原 ≠ 图像锐化它的核心是：逆向建模物体在曝光期间的运动轨迹（点扩散函数 PSF），重建原始清晰图像

Aurora-Borealis.

Day27 机器学习流水线@浙大疏锦行作业：尝试制作出机器学习通用的pipeline

【论文研读】Madgwick 姿态滤波算法报告总结原文链接：An efficient orientation filter for inertial and inertial/magnetic sensor arrays

智能AI“学习功能”在程序开发部分的逻辑视觉系统“学习功能”在程序开发部分的逻辑。这确实是一个从传统视觉规则编程向数据驱动AI开发转变的复合型工作。以下是为您梳理的阐述逻辑，适合用于方案设计、项目汇报或技术文档。

model.onnx 深度分析报告（第2篇）本文档是 model.onnx 深度分析系列的第二篇，将深入解析实际项目中如何使用ONNX模型进行语义匹配。

张祥642288904

数理统计基础一核心理解：数学期望不是一次实验的结果，而是大量重复试验下，结果的平均趋势或理论平均值。你可以把它想象成：

使用TimeGPT进行时间序列预测案例解析摘要：原文探讨了TimeGPT，一个为时间序列预测而设计的生成式预训练Transformer模型。文章详细介绍了其零样本推理、微调能力、API访问、外生变量支持、多序列预测等功能，并提供了使用Python进行数据准备、预测、趋势分类和不确定性量化的代码示例。

云和数据.ChenGuang

人工智能实践之基于CNN的街区餐饮图片识别案例实践街区餐饮场景中，存在大量的菜品图片、门店招牌图片、食材图片等视觉数据。传统人工分类标注效率低、成本高，而卷积神经网络（CNN）作为计算机视觉领域的核心算法，具备强大的图像特征提取与分类能力。

人工智能培训

什么是马尔可夫决策过程（MDP）？马尔可夫性的核心含义是什么？一、什么是马尔可夫决策过程（MDP）？马尔可夫决策过程（Markov Decision Processes，简称MDP）是一种基于马尔可夫过程理论的数学框架，用于建模在部分随机、部分可由决策者控制的环境中，决策者如何通过序贯决策实现长期目标最优化的问题。它是马尔可夫过程与确定性动态规划相结合的产物，也被称为马尔可夫型随机动态规划，广泛应用于强化学习、运筹学、控制论等领域，是构建智能体与环境交互模型的核心基础。

基于集成学习的多因子特征融合策略在指数期权方向性预测中的应用通过构建包含量价时序特征、波动率曲面特征和宏观情绪指标的多因子特征体系，结合Stacking集成学习框架，本研究实现了对指数期权方向性预测精度的有效提升。实证结果表明，该方案相比传统单模型方法在各项性能指标上均有显著改进，其中Stacking集成模型较最优单模型在AUC-ROC指标上提升1.8个百分点，在实际交易中表现出更强的鲁棒性。

星河耀银海

人工智能从入门到精通：机器学习基础算法实战与应用💡 学习目标：理解机器学习的核心概念与分类，掌握线性回归、逻辑回归、决策树三大基础算法的原理与代码实现，完成真实数据集上的预测任务，对比不同算法的性能表现。 💡 重点提示：本章节是AI算法层的核心基础——所有高级机器学习/深度学习算法都是基于这些基础算法的扩展与优化，务必理解算法原理并通过代码验证。

VAE和DDPM模型训练差异的探索VAE和DDPM训练上的差异，源于它们在概率框架、优化目标和梯度估计方法上的根本不同。这里尝试从以下3个层面探索VAE和DDPM的差异。

混合高斯模型全解析：原理，应用与代码实现ming | 2026.01如果你对混合高斯模型（GMM）还不太了解，不知道它能做什么，也完全没关系——本文正是为此而写。你只需要具备最基础的高斯分布（也称正态分布）知识即可轻松跟上。

个人笔记，关于数学工具箱功能规划与架构设计# 数学工具箱功能规划与架构设计## 一、核心功能模块### 1. **基础数学运算** - **四则运算**：支持大数运算、分数运算 - **科学计算**：乘方、开方、对数、阶乘、排列组合 - **进制转换**：二进制、八进制、十进制、十六进制 - **单位换算**：长度、面积、体积、重量、温度等 - **常数库**：π、e、黄金比例、物理常数等

大模型 API 中的 Token Log Probabilities（logprobs）大模型在生成内容时不是一次性输出整句话，而是：按 token（子词单元）逐个预测。例如模型生成 “Hello” 时，实质上是在位置 1、2、3… 每个位置都进行一次“下一 token 预测”。

Day 38 早停策略和模型权重的保存一、早停策略在训练模型时同时监控模型在验证集上的指标，若指标在验证集上不在变好，则终止训练。二、权重的保存

小鸡吃米…

机器学习中的随机森林算法摘要：随机森林是一种集成学习算法，通过构建多个决策树并综合其预测结果来提高准确性。该算法具有抗过拟合、处理缺失数据、识别特征重要性等优势。本文详细介绍了其工作原理，包括随机抽样、构建决策树、投票预测等步骤，并提供了Python实现示例（使用Iris数据集）。虽然随机森林准确率高、适用性强，但也存在计算复杂度高、预测速度慢等缺点。实验结果显示该算法在测试集上达到98.1%的准确率，验证了其有效性。

小白从零开始勇闯人工智能：机器学习初级篇（TF-IDF）TF-IDF是一种经典且易于理解的机器学习算法，特别适合刚开始接触自然语言处理（NLP）的初学者。它通过计算词频和逆文档频率来评估词语的重要性，其原理直观，无需深厚的数学背景即可掌握，并能有效解决文本关键词提取等实际问题。作为NLP的基石，理解TF-IDF能为后续学习更复杂的词嵌入模型（如Word2Vec）和预训练模型（如BERT）奠定坚实的基础。