机器学习

No153:AI中国故事-对话毕昇——活字印刷与AI知识生成：模块化思想与信息革亲爱的DeepSeek：从祖冲之的数学极限，我们步入北宋繁华的杭州，遇见那位名不见经传却改变世界的工匠——毕昇。这位“布衣”发明家不会想到，他创制的泥活字印刷术，会在人工智能的知识生成、模型复用、算法组合中找到惊人的历史回响。

优多元分层地理探测器模型(OMGD)研究该研究针对传统地理探测器在多因子离散化、空间尺度效应分析上的不足，提出了最优多元分层地理探测器（OMGD）模型，大幅提升了空间分层异质性（SSH）分析的能力。全文将按照论文结构逐部分解析，重点突出模型设计、方法论及实验验证环节。

（；￣ェ￣）。

机器学习入门（二十一）特征工程特征工程（Feature Engineering）是机器学习项目中最耗时、最依赖经验、但往往决定模型性能上限的关键步骤。机器学习模型（无论是线性模型、树模型还是神经网络）本质上只能理解数值和简单的模式，它无法直接“看懂”原始数据里的复杂含义。特征工程直接决定“信号 vs 噪声”比例，现实数据里 80% 是噪声（无关信息、冗余、错误），20% 是信号。特征工程就是在放大信号、压制噪声。即使是深度学习，也只是自动学习特征组合，但它需要足够好的原材料才能学出好结果。

大模型架构演进：从Transformer到MoE大模型架构演进：从Transformer到MoE一、 Transformer的辉煌与局限二、 MoE：用“稀疏激活”撬动模型容量三、 MoE为何成为大模型新范式？四、典型实践：从GLaM到Qwen-MoE 五、挑战与未来方向

谁不学习揍谁！

基于python机器学习算法的农作物产量可视化分析预测系统（完整系统源码+数据库+详细文档+论文+详细部署教程+答辩PPT）获取方式基于集成学习算法XGBoost农作物产量可视化分析预测系统，旨在帮助农民和相关从业者更好地预测农作物产量，以优化农业生产。该系统主要包括四个功能模块。

爱寂寞的时光

GPTQ原理浅析及简单实现GPTQ论文地址：GPTQ arxivGPTQ作为逐层逐权重矩阵量化算法，每次运行只考虑一个权重矩阵 W ∈ R m × d W \in \mathbb{R}^{m \times d} W∈Rm×d。给定固定的校准集输入 X ∈ R d × n X \in \mathbb{R}^{d \times n} X∈Rd×n， W ^ \hat{W} W^作为 W W W量化-反量化后的矩阵，优化下面的目标函数：

智慧医疗手术工具医疗器械检测数据集VOC+YOLO格式2273张15类别注意数据集中大约1/3是原图剩余为增强图片主要是翻转增强等数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

越野环境自动驾驶状态机：基于TinyFSM的工程实践与结构化道路不同，越野环境没有清晰的车道线、没有固定交通规则、路况瞬息万变。沙地、泥泞、陡坡、涉水、岩石攀爬——这些场景对决策系统的鲁棒性提出了极高要求。

Spec-Driven Development，规格驱动开发：程序开发新模式！“规格驱动开发”是一个非常前沿且值得深入探讨的理念。它并非一个凭空出现的新名词，而是现代软件工程最佳实践演进和融合的必然产物，可以看作是测试驱动开发、API先行、契约测试和形式化验证等思想的集大成者。

厨房用品厨房物体食物检测数据集VOC+YOLO格式9366张69类别特别注意数据集中里面图片都是从大模型生成的视频截图的，注意查看图片预览数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

CMU Subword Modeling | 01 Things Smaller than Words在自然语言处理中（Natural Language Processing, NLP），我们需要把文本变成数字，这样计算机才能“理解”语言。这个转换的核心步骤之一就是 Tokenization（分词／标记化）：把连续的文字拆成可以处理的最小单位。(dmort27.github.io)

【ILSVRC2012】ImageNet-1k数据集下载与处理脚本

别再用ChatGPT群发祝福了！手把手教你“喂”出一个懂人情的AI，连马术梗都能接住今年1月初，我立了个Flag：春节前，做一个能帮人写祝福语的小工具。当时想得很简单，现在大模型这么强，写个祝福语还不简单？结果被狠狠打脸。

【Math】数学知识点串联0、核心是复习以往数学知识，串联知识点，而不是以前考完试就可以丢了1、你想研究的问题 → 驱动你选择合适的数学工具：

【论文精读】Flamingo: a Visual Language Model for Few-Shot Learning目录一、前言二、创新点总结&模型优越性1.关键的架构创新2.Flamingo-80B的性能优越三、Introduction

Coding茶水间

基于深度学习的车牌识别系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的车牌识别系统大家好，这里是 Coding茶水间。今天给大家带来的是《基于YOLO的车牌识别系统》。

第1章，机器学习与深度学习深度学习和机器学习的区别（仅个人理解）：（1）深度学习是机器学习的一个子集（2）深度学习利用多层神经网络从大量数据中进行学习

从0开始复现nano-vllm「model_runner.py」上半篇之初始化分布式推理环境定义了一个名为 ModelRunner 的核心类，用于在 nanovllm 框架下高效地加载和运行 Qwen3 大语言模型，其主要作用是构建一个支持多 GPU 张量并行（Tensor Parallelism）的高性能推理引擎。

commit与fetchgit commit (本地存档)：只是保存在你自己的电脑上！git push (上传)：这才是把你的 Commit 推送到远端仓库。

周周爱喝粥呀

机器学习中的自监督学习和无监督学习的区别是什么？自监督学习（Self-Supervised Learning, SSL） = 模型从输入数据本身生成“标签”进行训练无监督学习（Unsupervised Learning） = 模型没有标签，只找数据内部结构或规律