机器学习

再玩一会儿看代码

如何理解神经网络中的权重参数？从一张图看懂模型参数量计算在深度学习中，我们经常会听到一个说法：训练模型，本质上就是寻找合适的模型参数。这些参数通常包括两类：权重（weights）和偏置（biases）。

给四足机器人装上 “智慧大脑”！核数聚具身数据集，让园区巡检又快又稳在工业园区、产业园区里，消防设施是否完好、电力设备有无隐患、车辆有没有乱停放，这些日常巡检工作，以往靠人工来回跑，不仅累，还容易有盲区、漏检，遇到复杂地形或恶劣天气，巡检效率和安全更是没保障。现在，随着具身智能技术落地，四足巡检机器人慢慢成了园区运维的 “得力帮手”，而核数聚最新打造的具身智能四足机器人数据集，更是给这些机器人装上了 “超强智慧大脑”，让园区智能巡检变得更靠谱、更高效。

机器学习入门：线性回归完全指南(含波士顿房价预测案例)写给机器学习入门者的保姆级教程，从概念到代码，一文讲透线性回归如果你是机器学习的初学者，线性回归绝对是你应该学习的第一个算法。为什么这么说呢？

郝学胜-神的一滴

反向传播：神经网络的「灵魂」修炼法则从参数更新到梯度传递，一文吃透 BP 算法的底层逻辑在神经网络的世界里，前向传播负责预测，反向传播负责学习。如果说前向传播是神经网络 “看世界、出结果” 的过程，那么反向传播（Backpropagation，BP）就是它 “知错就改、持续进化” 的核心机制。它像一位严谨的导师，拿着损失值，从输出层一路回溯，逐层修正网络权重，让模型越来越精准。

3. ROC曲线 & AUC指标正样本中被预测为正样本的概率TPR(True Positive Rate)；真正率 TPR = TP / (TP + FN) 负样本中被预测为正样本的概率FPR(False Positive Rate)；假正率 FPR = FP / (FP + TN) 通过这两个指标可以描述模型对正/负样本的分辨能力；

AGV算法笔记

目标检测论文精读：Deformable DETR 为什么被认为是 DETR 真正走向实用的关键一步？如果说原始 DETR 让大家第一次看到“目标检测也可以彻底摆脱 anchor 和 NMS”的可能性，那么 Deformable DETR 真正解决的，就是 DETR 在工程和训练层面最致命的两个问题：收敛太慢，以及对小目标不友好。这篇论文最核心的思路，是把标准 Transformer 里“全局密集注意力”改造成一种围绕参考点进行稀疏采样的可变形注意力机制，让模型不用再对整张特征图的所有位置做高成本关联，而只关注少量更有价值的区域。这样一来，Deformable DETR 不仅显著提升了训练效率，也增强了多

极光代码工作室

基于机器学习的商品价格预测系统随着电子商务与新零售业态的快速发展，商品价格动态调整已成为平台提升竞争力、优化库存周转与增强用户粘性的核心策略。然而，传统基于规则或人工经验的价格决策存在滞后性强、泛化能力弱、难以应对多源异构因素耦合影响等缺陷。本研究聚焦于构建一个高精度、可解释、可部署的商品价格预测系统，融合时间序列特征、市场供需信号、竞品价格波动、用户行为日志及外部宏观因子（如节假日、天气、舆情热度），提出一种“多源特征工程 + 集成学习建模 + 在线增量更新”的技术路线。系统采用Python语言开发，后端基于Flask框架，前端使用

纪伊路上盛名在

机器学习中常见的距离度量函数 Distance metrics其实从英文单词上就很容易看出两个概念的区别：distance vs metric距离用于描述集合中两个元素之间的远近，而度量是我们严格意义上所讨论的距离，度量就是1个在度量空间中测量两点之间距离的函数，满足3个条件的距离是度量：

认知神经科学研究报告【20260030】化学物理引擎：一项关于涌现认知的实验报告内部版本 · 2026年5月我们构建了一个不依赖传统编程逻辑、不进行数学优化、不需要训练数据的推理引擎。本报告记录该引擎在七项认知测试中的详细表现，观察到四个明确的智能涌现现象，并诚实地标注了能力边界。核心发现是：某些看似需要"智能"的行为——筛选假设、放大弱信号、谨慎判断、归纳规律——可以在没有任何显式智能设计的系统中自发产生。

模型，模型训练，模型微调将现实问题转化成数学问题（Encoder编码器，通过求解数学问题来得到现实世界的解决方案（Decoder解码器。

职业深度解析：Prompt Engineer——与AI对话的艺术一句话定义： Prompt Engineer是通过设计、优化和结构化输入指令，让大语言模型（LLM）输出高质量、可预测、符合业务需求结果的人。

郝学胜-神的一滴

深度学习优化核心：梯度下降与网络训练全解析在深度学习的训练旅程中，网络优化是贯穿始终的核心命题，而一切优化的起点，都是对权重更新规则的深度打磨。我们常说的网络优化方法，本质就是对权重更新公式的精巧调整，让模型以更稳、更快的速度收敛到最优解。

罗西的思考

【GUI-Agent】阿里通义MAI-UI 代码阅读（1）— 总体MAI-UI是阿里通义实验室发布的一项重磅研究成果：是一个旨在重塑人机交互方式的“基础图形用户界面（GUI）智能体”，和阶跃星辰的思路非常类似，因此我们可以互相印证。

薛定e的猫咪

（AAMAS 2023）基于广义策略改进优先级的高效多目标学习 GPI - LS/PD参考文章：Sample-Efficient Multi-Objective Learning via Generalized Policy Improvement Prioritization

机器学习面试超详细实战指南（2026版）——不懂高数也能看懂的硬核干货，建议从头看到尾简单来说，机器学习就是让计算机从数据中自己学习规律，然后用学到的规律去预测没见过的新数据。它的核心目标是让模型在没见过的测试数据上表现好，而不仅仅是背下训练数据。

C# 工业级数据可视化：用ScottPlot让10万个点流畅显示的实战秘籍接到个紧急需求。客户的生产线监控系统，要实时展示传感器数据——每秒500个采集点，历史数据得保留至少三分钟。算下来，9万个点要同时在图表上跳动。

claude code 规划模式（Plan Mode）完整指南本指南详细介绍Claude Code中规划模式的工作原理、使用方法和最佳实践规划模式（EnterPlanMode）是Claude Code中用于复杂实现任务的结构化工作流程。它在编写代码之前创建一个强制性的设计阶段，确保实现方案经过深思熟虑并与用户期望对齐。

大模型为什么越来越“听话”？一文讲透强化学习、SFT、DPO很多人学大模型时，会听到三个词：SFT、强化学习、DPO。它们看起来很高级，其实核心问题很简单：怎么把一个只会“续写文字”的大模型，训练成一个真正能回答问题、听懂指令、符合人类偏好的 AI 助手。

从“被砍掉的频谱“到无码间串扰：升余弦滚降滤波器的完全解读在数字通信中，发送滤波器的频谱在奈奎斯特频率 fNf_NfN 之前就开始衰减，这并非"砍掉"有用频率，而是为了实现无码间串扰（ISI）的必然设计。本文将结合时域与频域条件，严格推导升余弦滚降滤波器的数学表达式，并验证其满足无ISI准则，同时区分升余弦与根升余弦的概念，解释滚降消除ISI的物理本质。

【实战篇】分类任务全流程演示——决策树本文将以经典的鸢尾花（Iris）数据集为例，完整演示决策树分类算法的使用全流程。我们将从数据加载开始，逐步完成模型训练、预测、评估，并最终通过多种可视化手段深入理解决策树的决策过程与特征重要性。通过这个完整的案例，读者可以掌握如何应用决策树解决实际分类问题，并学会解读模型结果。