机器学习

AIGC技术与进展（2）AIGC技术与进展（2）四、AIGC的应用价值五、挑战与未来方向结语#智能体搭建#多智能体#VLA#大模型#AI

指掀涛澜天下惊

概率论 - 贝叶斯定理贝叶斯定理可广泛应用在数据分析、模式识别、统计决策、人工智能、心理学、博弈论等各种领域，可见了解和掌握贝叶斯定理是有必备要的。

多智能体强化学习（MARL）核心概念与算法概览训练单个 RL 智能体的过程非常简单，那么我们现在换一个场景，同时训练五个智能体，而且每个都有自己的目标、只能看到部分信息，还能互相帮忙。

叫我：松哥

基于神经网络算法的多模态内容分析系统，采用Flask + Bootstrap + ECharts + LSTM-CNN + 注意力机制基于神经网络算法的多模态内容分析系统，采用Flask + Bootstrap + ECharts + LSTM-CNN + 注意力机制 + SQLite技术栈。

Coding茶水间

基于深度学习的吸烟检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的吸烟检测系统演示目录视频演示1. 前言2. 项目演示2.1 用户登录界面2.2 新用户注册

用人格模型去做漫威角色测试，是比娱乐向更严肃的一种设计最近我在做一些人格测试相关的项目时，顺手研究了一个漫威角色人格测试：https://www.personalitytypestest.com/character-tests/marvel/test

HENU2025机器学习(2026年1月)题型选择2x10,判断2x10,简答x4(6+8+8+8)计算题x2闲言少叙，复习可以大致参考往届学长的帖子，

大模型最新论文速读

「图文讲解」Profit：用概率挑选重要 token 解决 SFT 过拟合问题大语言模型（LLM）在完成预训练后，通常需要通过监督微调（SFT）来适配特定的下游任务。然而，传统SFT存在一个被长期忽视的根本性问题：语言的 "一对多"特性与训练目标的 "一对一"强制对齐之间的矛盾。

【机器学习】04_支持向量机_拉格朗日对偶法拉格朗日对偶法（Lagrange Dual Method）假设我们只有两个样本点，特征空间为 R2\mathbb{R}^2R2：

LlamaFactory微调Qwen3-0.6B大模型踩坑实验整理确保Qwen3-0.6B模型在特定人物和自我认知上不犯事实性错误，调一个xx领域专属的人物专家模型GRADIO_SERVER_PORT=8103 CUDA_VISIBLE_DEVICES=1,2,5,7 llamafactory-cli train –stage sft –do_train –model_name_or_path /workspace/codes/deepseek/Qwen3-0.6B –dataset alpaca_zh_demo,identity,train –dataset_dir

天天爱吃肉8218

交叉表格与卡方检验：新能源汽车研发测试中的分类变量关联性分析实战关键词：交叉表格；卡方检验；新能源汽车；研发测试；分类变量；关联性分析；零部件可靠性在新能源汽车研发测试流程中，工程师经常需要分析各类分类变量的关联性，比如不同测试工况与零部件失效类型的关系、电池包批次与热失控风险的相关性、电控系统版本与故障发生率的关联等。交叉表格（列联表）是组织这类分类数据的核心工具，而卡方检验则是验证变量间是否存在显著关联性的经典统计方法。本文从新能源汽车研发测试的实际应用场景出发，系统讲解交叉表格的构建逻辑、卡方检验的原理与步骤，并结合车载CAN网络故障分析、电机控制器可靠性测试等

第二章：决策树与集成算法目录一、什么是决策树？二、训练和预测分别在做什么？三、为什么要“选最好的特征”？四、熵：衡量“乱不乱”的指标

永远都不秃头的程序员(互关)

【K-Means深度探索（四）】速度与激情：MiniBatch K-Means如何驯服海量数据亲爱的读者朋友们，欢迎回到我们的“K-Means深度探索”系列！在前三篇文章中，我们从零手撕了 K-Means 算法的核心原理，学会了如何选择最佳 K 值，并通过 K-Means++ 解决了初始质心选择的“陷阱”。你现在已经是一位合格的 K-Means“数据侦探”了！

木头程序员

持续学习（Continual/Lifelong Learning）综述在人工智能技术向实际场景深度渗透的过程中，传统静态训练模式的局限性日益凸显。多数深度学习模型依赖固定数据集一次性训练完成，面对动态环境中的新任务、新数据时，往往会出现“灾难性遗忘”——更新参数以适配新任务的同时，丢失已掌握的旧任务知识。持续学习（Continual/Lifelong Learning）作为解决这一问题的核心技术，旨在让模型具备类似人类的终身学习能力，在持续接收新信息、学习新任务的过程中，高效保留已有知识并实现知识迁移，为机器人、自动驾驶等长期运行系统提供关键技术支撑。本文将系统梳理持续学习

程途拾光158

模型微调 vs 上下文学习的成本效益对比随着大语言模型（LLM）技术的快速迭代，企业和开发者在将预训练模型适配下游任务时，面临着两种主流技术路径的选择：模型微调（Fine-tuning）与上下文学习（In-context Learning, ICL）。模型微调通过调整预训练模型参数以适配特定任务，上下文学习则无需改动模型参数，仅通过构造提示词注入任务示例引导模型完成任务。

大模型的召回率召回率什么是召回率：大模型在回答问题时，需要从知识库中提取相关信息进行分析，从超大数据量的知识库中提取有效的能力就叫召回率，召回率越高说明提取有效信息的能力越强，否则越弱。

从项目入手机器学习——（三）数据预处理（下）自动编码器本文会开始介绍目前机器学习中常用的自动化编码工具。大家可能有疑问，既然有自动化编码，为什么之前还要将手动编码呢？原因在于目前的自动化编码封装的非常好，以至于是完全的黑盒，不理解基础原理的人用起来就不知道它在做什么，因此还是希望大家能掌握了解自动编码在做什么。

GALE Phase 1 Chinese Broadcast News Parallel Text - Part 1数据集介绍，官网编号LDC2007T23GALE Phase 1 Chinese Broadcast News Parallel Text - Part 1（LDC2007T23）是 LDC 于 2007 年面向 DARPA GALE 项目发布的中 - 英平行文本语料，核心为中文广播新闻转写文本及其人工英译对，适配机器翻译（MT）训练与评测，是 GALE Phase 1 中文广播新闻平行文本的首期子库。以下是详细介绍：

大模型面试题75：讲解一下GRPO的数据回放在GRPO（群体相对策略优化）训练LLM的过程中，数据回放就像学生的错题本+好题本——把之前训练中“表现好的样本”存起来，后续训练时再拿出来反复用，核心目的是防止模型“学了新的，忘了旧的”，同时还能节省计算资源。咱们还是从小白能懂的基础入手，一步步拆明白。

AIGC技术与进展（1）AIGC技术与进展（1）一、AIGC的发展历程二、AIGC的核心技术三、AIGC的重要进展#智能体搭建#多智能体#VLA#大模型#AI