机器学习

机器学习(三十三) 概率图模型与隐马尔可夫模型机器学习最重要的任务，是根据已观察到的数据(例如训练样本)对感兴趣的未知变量(例如类别标记)进行估计或推测。概率模型(probabilistic model) 基于可观测变量推测未知变量的条件概率分布，称为"推断"(inference) -- 可将学习任务归为计算未知变量的条件概率分布：假定可观测变量集合为O，未知变量(集合)为Y，其他变量的集合为R，由联合分布P(Y,R,O)或条件分布P(Y,R|O)或P(Y|O,R)得到条件概率分布P(Y|O)。

V搜xhliang0246

OpenClaw、AI大模型赋能数据分析与学术科研学习OpenClaw 、AI大模型学术应用： 696734582 【介绍】当下，AI技术正深刻重塑学术研究的工作范式，为科研全流程注入新动能，实现了革命性的效率提升。但多数研究者仍面临核心困惑：如何让AI大模型与OpenClaw等AI工具，跳出单纯的文字辅助范畴，真正成为科研攻坚的“利器”？如何将AI工具与标准化学术科研范式深度融合，精准适配人文社科、理工科、医学等不同领域的研究特性与需求？如何让大模型真正“动手干活”，实现数据处理、统计分析、图表绘制、文献研读、论文撰写等科研环节辅助增效，解放研究者的时间

实战指南：用 Python + NLP 搭建一套轻量级 AI 舆情监控系统在信息爆炸的 2026 年，舆情风险已成为企业品牌管理的“头号杀手”。传统的关键词匹配早已无法应对多模态、碎片化的传播环境。作为一名技术负责人，如何快速构建一套具备情感分析、热点聚类和实时预警能力的 AI 舆情系统？本文将带你通过 Python 与主流 NLP 模型，落地一套工程化方案。

【无标题】对于很多算力有限（比如只有CPU、没有高端GPU）的小伙伴来说，想拥有一个专属的AI大模型，既不用承担高额的算力成本，又能贴合自己的需求（比如本文的法律小助手），其实并不难。本文就以DeepSeek轻量化模型为例，手把手教大家用llama-factory框架+LoRA算法完成模型微调，最后部署到Ollama上，实现本地对话自由，全程实操无门槛，CPU也能轻松驾驭～

云和数据.ChenGuang

机器学习之超参数是什么？超参数 = 训练前由人手动设置、模型自己不会学的参数模型参数（参数）：模型在训练过程中自己学到的东西比如：权重、系数、分割点

【机器学习】分类Classification模式识别是设计机器自动识别、归类 “事物” 的任务；分类器根据特征将样本分到对应类别。Pattern recognition is to design machines that recognize and classify objects; a classifier assigns samples to classes based on features.

集成学习有哪些框架集成学习 = 多个弱模型组合成一个强模型集成学习就是「三个臭皮匠顶个诸葛亮」用不同思路、不同结构的多个简单模型互补，解决单模型欠拟合、过拟合、不稳定、精度低的问题

【实战项目】基于B/S结构Flask+Folium技术的出租车轨迹可视化分析系统（文末含完整源代码）大致功能介绍:1. 用web或客户端嵌入地图页面2. 能够通过时间和车辆查看轨迹，为了不影响界面效果和提高查询效率，可以控制车辆数量和查询时间范围

第一次尝试微调一，什么是微调相对专业的解释就是在已完成大规模预训练（Pre-training）的基础模型上，使用特定任务、特定领域或特定格式的标注数据集，进行进一步的参数优化训练，使模型在保留通用知识与基础能力的前提下，更好地适配下游具体任务，提升任务精度、响应一致性与领域适配性。

Day 6 编程实战：决策树与过拟合分析实现基尼系数和信息增益计算============================================================ 过拟合分析结论 ============================================================ 1. 最佳深度: 5 2. 最佳测试准确率: 0.8733 3. 深度20时的过拟合差距: 0.1733 4. 深度从5增加到20: - 训练准确率提升: 9.43% - 测试准确率下降: 4.67% - 节点数增加: 86

Milvus 向量数据库：HNSW 索引与相似度搜索在大数据和人工智能时代,向量相似度搜索已成为推荐系统、图像检索、自然语言处理等领域的核心技术。传统的精确搜索算法在面对海量高维向量时面临性能瓶颈,而近似最近邻(Approximate Nearest Neighbor, ANN)搜索技术通过牺牲微小的精度换取巨大的性能提升,成为业界的首选方案。

程序员小嬛

中科院一区TOP：用于求解偏微分方程的物理信息神经网络前沿创新思路小伙伴们好，我是小嬛。专注于人工智能、计算机视觉、AI大模型领域相关分享研究。【目标检测、图像分类、图像分割、目标跟踪等项目都可做，相关领域论文辅导也可以找我；需要的可联系（备注来意）】

Agent时代下的自动驾驶研发工具链的演进Agent时代标志着自动驾驶研发工具链从传统模块化架构向智能体驱动的范式转变。这一转变不仅体现在技术工具的升级，更反映在开发流程、安全认证与商业价值的根本性重构。从L2到L4级自动驾驶，研发工具链已从MATLAB/Simulink主导的静态模型开发，演进为PyTorch-ONNX-TensorRT-OTA链路驱动的端到端开发框架，而OpenClaw等AI智能体的崛起，则进一步模糊了"工具"与"开发者"的边界，使代码生成、仿真测试与部署优化全流程自动化成为可能。

一只废狗狗狗狗狗狗狗狗狗

机器学习与深度学习理论入门概述人工智能包括机器学习包括深度学习，深度学习就是神经网络模型机器学习就是将万事万物转化为“数”的格式，并且在其中找到“模式/规律”

# 反内卷，回基础：Nano-Memory用极简检索与剪枝，解决大模型长对话遗忘对于追求与用户建立长期、个性化关系的对话 Agent 而言，一个可靠的“记忆系统”是不可或缺的核心组件。然而，随着对话轮次的增加，如何有效管理和利用日益庞大的历史信息，始终是一个悬而未决的难题。现有方案大多在复杂的架构上做文章，例如引入层级化摘要、知识图谱，甚至动用强化学习来优化记忆更新，但效果往往不尽人意，系统在长对话中依然容易“失忆”，遭遇“上下文稀释”（context dilution）的困境。

llm大模型算法工程师weng

模型训练与知识蒸馏：从大模型到轻量级情绪分析系统在上一篇文章中，我们实现了基于BERT的情绪分析模型，准确率高达92-95%。然而，BERT模型参数量巨大（基础版110M参数），推理速度慢，难以部署到边缘设备或实时系统中。知识蒸馏（Knowledge Distillation）应运而生——它能让“学生模型”学习“教师模型”的知识，在保持较高准确率的同时，大幅降低模型大小和推理延迟。

搞科研的小刘选手

【多省气象局支持】第八届物联网、自动化和人工智能国际学术会议（IoTAAI 2026）第八届物联网、自动化和人工智能国际学术会议（IoTAAI 2026） 2026 8th International Conference on Internet of Things, Automation and Artificial Intelligence

【机器学习】回归 Regression回归是一种监督学习方法，主要用于预测连续值。Regression is a supervised learning method mainly for predicting continuous values.

云和数据.ChenGuang

机器学习之预测概率问题我直接给你讲最核心、最本质的原因，保证你一看就懂！你代码里这两行：一个是“做过的题得分”，一个是“没做过的新题得分”，当然不一样！

基于ARIMA差分自回归移动平均的时间序列预测模型【MATLAB】在数据科学和定量分析领域，时间序列预测始终是一个核心课题。无论是金融市场的波动、气象指标的演变，还是资源需求的变动，时间序列数据都蕴含着随时间演进的规律。在众多经典预测算法中，ARIMA（AutoRegressive Integrated Moving Average）模型凭借其严谨的数学基础和卓越的解释性，成为了预测领域的“常青树”。