机器学习

LangGraph入门：LCEL详解LangGraph是LangChain生态系统中的一个重要组件，它扩展了LCEL（LangChain Expression Language）的能力，允许开发者构建有状态、多步骤的复杂AI工作流。与传统的线性链式调用不同，LangGraph支持循环、条件分支等图结构，能够更好地模拟真实世界的复杂决策流程。

[机器学习-从入门到入土] 现代机器学习知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

AI数据皮皮侠

中国乡村旅游重点村镇数据D147数据简介今天我们分享的数据是中国乡村旅游重点村镇数据，其中重点村落分为四批次，重点乡镇为两个批次的数据，原始数据来源于中华人民共和国文化和旅游部公布的名单数据，再根据百度地图查询其经纬度信息并为其添加省市县所在，方便大家研究使用。该数据集共有四个批次1399个乡村旅游重点村，两个批次198个乡村重点乡镇。

VAE中Encoder和Decoder的理论基础的探索这里从Encoder和Decoder的角度探索VAE。所用示例参考和修改自网络资料。编码器是一个变分近似后验分布，它将输入数据映射到潜在变量的条件分布：

爱思德学术

【IEEE会议】第三届智能计算与机器人国际会议（ICICR 2026）第三届智能计算与机器人国际会议（ICICR 2026）将于2026年06月12-14日在巴黎召开。本届会议以“智能计算与机器人”为主题，旨在为全世界从事相关领域的专家、学者及专业技术人员提供一个交流最新研究成果的平台，并进一步在智能计算、机器人及其应用领域传播进步技术，推动行业发展。本次会议将着重于原创的基础研究、理论研究和应用研究的探讨，欢迎工业界和学术界的专家、学者和学生提交论文并参加研讨。

cube-studio手动部署label_studio至“标注平台”（启动企业版的功能）● 1、具体部署步骤：● 2、部署参数详解：● 3、端口映射原理：外部访问宿主机 Docker 容器 http://192.168.3.222:8088 → 宿主机 8088 端口 → 容器 8080 端口 ↓ ↓ Docker 网络映射 Label Studio 服务

人工智能培训

10分钟了解向量数据库（2）

德彪稳坐倒骑驴

集成学习Ensemble Learning模型如何适配于你的业务场景模型的原理大概是模型有哪些参数？表示什么意义？你是怎么调参的？集成学习是机器学习中的一种思想，它通过多个模型的组合形成一个精度更高的模型，参与组合的模型称为弱学习器(基学习器) 训练时，使用训练集依次训练出这些弱学习器，对未知样本进行预测时，使用这些弱学习器联合进行预测。

[机器学习-从入门到入土] 生成式模型知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

[机器学习-从入门到入土] 概率图模型知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

cmake的add_definitions和target_compile_definitions使用在 CMake 中，add_definitions 是一个用于向编译器添加预处理器定义（-D 标志）或编译选项的命令。它通常用于定义宏、设置编译器标志或传递全局配置参数。以下是详细用法和注意事项：

10分钟了解向量数据库（2）10分钟了解向量数据库（2）3 向量检索算法#人工智能#具身智能#VLA#大模型#AI

自动驾驶芯片的时空高精度同步的方法自动驾驶芯片的时空高精度同步方法涉及时间同步和空间定位的协同，以确保多传感器数据在统一时空基准下融合。以下从时间同步和空间同步两个维度介绍关键技术。

STAgent：专为时空推理设计的智能代理模型在现实世界的复杂任务中，如旅行规划、路线优化和地点推荐等，需要模型具备强大的时空理解能力和工具调用能力。本文介绍的STAgent是一种专门为此类任务设计的智能代理模型，通过构建稳定的工具环境、高质量的数据构建框架和级联训练配方，在保持通用能力的同时显著提升了在时空推理任务上的表现。该模型基于Qwen3-30B-A3B，通过三阶段优化流程实现了在TravelBench等基准测试上的优异性能。

为何高阶自动驾驶偏爱 Raw Sensor？在智能驾驶的感知系统中，摄像头是车辆的“眼睛”。但你是否注意到：特斯拉、Waymo、小鹏 XNGP、蔚来 NAD 等高阶方案，几乎无一例外地选择输出原始 RAW 数据的摄像头，而非自带 ISP 处理的“智能摄像头”？

传统监控事后难追责？AI 违规识别智能系统让响应时间缩短痛点直击：2023年全国商业街区安全事件60%源于车辆违规（消防通道占停、逆行穿行），30%源于人员异常（斗殴、明火、夜间滞留）。传统监控“事后调取”，安保巡逻覆盖率<40%，响应时间平均7分钟，事故发生后“追责容易、预防难”。

[机器学习-从入门到入土] 降维和多元学习知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

纪伊路上盛名在

Chap1：Neural Networks with NumPy（手搓神经网络理解原理）这个系列其实是当初和鱼书一起刷的，但是鱼书我很早就停了更新推文。考虑到这个系列其实是AI4S非常典型的教程系列，而且是正经的为所有研究蛋白质、蛋白质组学、蛋白质模型的新手准备的一个AI4S的教程，所以开这个新坑。

【机器学习】自组织映射神经网络目录一、引言二、核心原理与网络结构三、完整训练流程四、关键特性五、优缺点六、典型应用场景七、与相关算法对比

[机器学习-从入门到入土] 词嵌入知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039