机器学习

SoC芯片本质——“系统级集成”SoC芯片的本质是 “系统级集成”。它不再是传统意义上功能单一的CPU（中央处理器），而是将一个完整的电子系统所需的关键部件，全部集成到一颗单一的芯片上。

工程软件化概述！这是一个关于“工程软件化”的全面概述。我将从定义、核心内涵、驱动力、关键技术与应用、挑战与趋势等方面进行系统性的阐述。

纪伊路上盛名在

矩阵微积分速通https://en.wikipedia.org/wiki/Matrix_calculushttps://zh.wikipedia.org/wiki/%E7%9F%A9%E9%98%B5%E5%BE%AE%E7%A7%AF%E5%88%86

病灶变化预测 vs 分类：医学影像 AI 中更有价值的问题是什么？目前在医学影像领域，90% 的深度学习项目都停留在分类阶段：良性 / 恶性有病灶 / 无病灶高风险 / 低风险

过期的秋刀鱼！

机器学习-逻辑回归的成本函数要用梯度下降，对模型进行训练，代价函数最好是凸函数，这样用梯度下降优化的时候，可以找到全局最小值，在线性回归中，成本函数是，均方误差，计算预测值和真实值的差值的平方，然后取平均值，来衡量模型的效果，线性回归他是凸函数，可以好到全局最小值，但是逻辑回归则也用这个方法不行，逻辑回归处理的是分类问题，是0-1之间的概率，用均方误差会遇到局部最小值，如图所示，

大数据-201 决策树从分裂到剪枝：信息增益/增益率、连续变量与CART要点决策树是一种基于树状结构的监督学习模型，常用于分类和回归任务。它的基本思想是通过一系列问题的分层次判断，将数据分割成越来越小的子集，直到达到预期的目标（如纯度较高的叶子节点，或预测值的误差足够小）。决策树的节点表示判断条件，分支表示不同的条件结果，最终的叶子节点对应具体的分类结果或预测值。

# 内容平台推荐算法与创作者激励机制——从抖音/B站看流量分配的技术逻辑之前在一家短视频公司做过两年推荐系统，对这套"流量分配"的玩法算是有些了解。很多UP主抱怨平台"限流"，新人觉得"没有扶持"，其实背后都是一套复杂的算法在运作。

阿正的梦工坊

VisualTrap：一种针对 GUI Agent 的隐蔽视觉后门攻击最近在 COLM 2025 上发表的一篇论文《VisualTrap: A Stealthy Backdoor Attack on GUI Agents via Visual Grounding Manipulation》揭示了基于大视觉语言模型（LVLM）的图形用户界面（GUI）智能体的一个严重安全漏洞。这项工作首次系统性地研究了针对 GUI Agent 视觉定位（Visual Grounding）的后门攻击，提出了一种简单却极其有效的攻击方法 VisualTrap，能在预训练阶段就植入后门，并成功转移

从直觉到公式——线性模型的原理、实现与解释“所有模型都是错的，但有些是有用的。” ——George E.P. Box 而线性模型，正是那个最简单却最有用的起点。

DeepSeek V3.2 能不能真正跑 Agent？本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！

【机器学习】生成对抗网络（GAN）目录一、引言二、核心思想：“伪造者” 与 “鉴别师” 的博弈三、GAN 的基本结构1. 生成器（Generator）

阿正的梦工坊

二次预训练与微调的区别在大型语言模型（LLM）的开发和应用中，二次预训练（也称为继续预训练、增量预训练或领域自适应预训练，Domain-Adaptive Pretraining，简称DAPT）和微调（Fine-Tuning）是两种常见的模型适配方法。它们都基于已有的预训练基座模型（如Llama、Qwen或GPT系列），但目的、数据需求、训练目标和适用场景有显著区别。本文将详细解释二者的差异，帮助读者理解何时选择哪种方法。

小宇的天下

Calibre eqDRC（方程化 DRC）核心技术解析与实战指南（14-2）本文基于 Calibre v2017.1 官方手册，聚焦 eqDRC 核心 SVRF 语句集（DFM Property/Function/RDB 等），从语法格式、核心功能、实战案例三个维度，系统拆解复杂 DRC 规则的实现方法，覆盖单 / 多图层约束、自定义函数、属性关联等高级场景，助力先进工艺下的精准验证。

K-Means 聚类的目标函数：簇内误差平方和K-Means 是一种无监督、迭代式的聚类算法：给定数据集 {x₁, x₂, …, xₙ} 与预设簇数 K，算法把样本划分为 K 个不相交的簇 C₁, C₂, …, Cₖ，使得同一簇内样本尽可能相似，不同簇间样本尽可能远离。

再说机器学习与深度学习的关系相关阅读：机器学习与深度学习的关系核心概念关系：同心圆与进化树。把它们想象成一种包含与进化的关系。如图1所示。

大模型应用：多尺度注意力解析：大模型特征提取的基础概念与应用价值.43在大模型的特征提取技术中，注意力机制是核心支柱，它让模型能聚焦关键信息。但传统单尺度注意力存在明显短板，要么只盯着局部细节，忽略全局逻辑；要么只抓整体框架，丢失关键信息。

机器学习——贝叶斯贝叶斯算法是基于贝叶斯定理的概率统计方法，用于在已知某些条件下更新事件的概率。其核心思想是通过先验概率和新的观测数据计算后验概率，从而进行预测或分类。

109~111集成学习注意，随机森林在能选的所有特征重，每一次训练随机选部分特征作为这次训练的特征集

【Python机器学习】主成分分析(PCA)：高维数据的“瘦身术“目录1. 引言：从数据爆炸到维度诅咒2. 高维数据的困境：维数灾难的深层理解2.1 维数灾难的数学根源

ADVANCE Day33@浙大疏锦行核心目标：涉及知识点：场景类比：场景描述：神经网络对数据非常敏感。任务：场景描述：我们要搭建一个简单的 MLP (多层感知机) 来处理 Iris 分类。输入是 4 个特征，输出是 3 个类别。中间加一层隐藏层（比如 10 个神经元）和激活函数。