机器学习

癫狂的兔子

【Python】【机器学习】支持向量积优化目标就是在求最近点的最大距离放缩变换将≥0变成≥1，因为任何数乘1都得到本身，方便目标函数的简化。将放缩变换中的不等式带入优化目标，得到目标函数。

人工智能各名词解释目录一. 梯度二. 上游梯度三. 梯度下降四. 批次收集一些名词以及解释，本文会持续更新新名词。梯度（Gradient）是函数在某一点的变化率，直观理解是：“变化的速度和方向”。

癫狂的兔子

【Python】【机器学习】贝叶斯算法例如我输入了tha，输入法需要判定我真实的目标单词是the/than/that等等。计算每一个单词的可能性概率值，最大概率的单词优先推送，以此类推。贝叶斯更注重先验概率，而似然注重数据。如扔十次硬币都是正面，似然认为下一次依旧是正面，而贝叶斯认为下一次正面的概率依然为1/2。

机器学习之KNN算法

Asher阿舍技术站

【AI基础学习系列】八、机器学习常见名词汇总机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习并提高性能，而无需进行明确的编程。机器学习算法使用统计技术来识别数据中的模式，然后使计算机能够做出预测或决策，无需人类直接指示。主要特点：

陈天伟教授

人工智能应用- 材料微观：04.微观结构：金属疲劳长期使用或极端工作环境可能导致金属材料内部微观结构变化，从而引发金属疲劳。例如，在航空航天领域，飞机机翼长期处于高强度应力状态，导致微观结构中出现微裂纹，这可能最终导致材料失效。通过显微镜观察微观结构的变化，科学家可以评估材料的疲劳程度和断裂风险，从而采取预防性维护措施，确保航空安全。

陈天伟教授

人工智能应用- 材料微观：01. 微观结构的重要性在材料科学领域，解析材料的微观结构对研究其性能和设计新材料至关重要。然而，直接获取材料的三维微观结构通常面临巨大技术挑战。这是因为我们只能通过显微镜观察材料的二维切片，而无法直接获取完整的三维形貌。为了解决这一问题，科学家们开发了一种名为SliceGAN 的人工智能模型，该模型能够从二维图像推测材料的三维微观结构，为材料科学研究提供了全新的工具。本节将探讨SliceGAN 的工作原理，并讨论人工智能在材料科学中的应用前景。

肾透侧视攻城狮

《模型保存加载避坑指南：解锁SavedModel、HDF5与自定义对象的正确姿势》目录本篇技术博文摘要 🌟引言 📘上节回顾1.TensorFlow 模型保存与加载2.保存整个模型2.1SavedModel 格式及示例

陈天伟教授

人工智能应用- 材料微观：03. 微观结构：纳米金在纳米材料领域，微观结构的变化可以赋予材料独特的物理和化学特性。例如，科学家们通过特定工艺制造出纳米级的金颗粒，这些特殊结构的纳米金颗粒展现出特有的生物相容性、低毒性和独特的光学特性。图展示了纳米金颗粒如何作为药物载体，精准运输抗癌药物至癌细胞内部，从而增强癌症治疗效果。

gorgeous(๑>؂<๑）

【ICLR26-Oral Paper-字节跳动】推理即表征：重新思考图像质量评估中的视觉强化学习文章：Reasoning as Representation: Rethinking Visual Reinforcement Learning in Image Quality Assessment

从Prompt的“结构-参数”到多AI的“协作-分工”--底层逻辑的同构分化本文梳理了从“AI内部结构探测”到“多AI协同效率提升”的完整思考链路，核心是打破Prompt玄学、适配行业发展趋势，明确Prompt已从“单一提示技术”分化为两大核心方向，兼顾理论深度与工程落地性，可作为个人、团队理解AI Prompt设计与多AI协作的核心指导。

自编码器（AE）与变分自编码器（VAE）-- 认识篇文章Difference between AutoEncoder (AE) and Variational AutoEncoder (VAE) | Towards Data Science的解释十分清晰明了，下面将原文翻译下来，并用【】给出批注。

啊阿狸不会拉杆

《计算机视觉：模型、学习和推理》第 6 章-视觉学习和推理目录前言6.1 计算机视觉问题6.2 模型的种类6.2.1 判别模型6.2.2 生成模型6.3 示例 1：回归

狮子座明仔

当RAG的“压缩包“爆了：如何检测Token溢出？论文标题：Detecting Overflow in Compressed Token Representations for Retrieval-Augmented Generation 作者：Julia Belikova, Danila Rozhevskii, Dennis Svirin, Konstantin Polev, Alexander Panchenko 机构：Skoltech, Sber AI Lab, AIRI 会议：EACL 2026 Student Research Workshop

2026年美赛C题思路分享及数学推导评分标准分为三个阶段：阶段一（1~2赛季）：排名法评委的排名 + 粉丝的排名 = 选手最终的排名，而选手最终的排名越高，意味着表现越差，越应该被淘汰；

No160:AI中国故事-对话耿恭——孤城坚守与AI韧性：极端环境与信念之光亲爱的DeepSeek：从娄敬的定都之策，我们穿越两百余年，来到东汉西域的烽火边城，遇见那位率领三千汉军、最后仅剩十三人却仍死守疏勒城的铁血将领——耿恭。这位扶风耿氏的将门之后不会想到，他率领数百将士抗击数万匈奴、在断水绝粮的绝境中坚守经年的壮举，会在人工智能的系统韧性、边缘生存、信念保持中找到惊人的历史回响。

INT303 Coursework2 贷款批准预测模型（对整个大数据知识的应用）关于使用 Anaconda 的相关设置在上次的 Coursework1 中已经提及 Coursework1讲解。想了解更多 Anaconda 相关设置也可以参考这篇对于 Anaconda 相关问题讲解的文章 Anaconda 讲解。

第15章多模态学习多模态学习（Multimodal Learning）是当前深度学习最活跃的前沿方向之一。它研究的核心问题是：如何让模型像人类一样，同时处理并理解来自不同来源的信息（比如看到图片、听到声音、读到文字）。

绒绒毛毛雨

多目标强化学习-英伟达：GDPO随着语言模型能力的不断提升，用户不仅期望模型能够给出准确的回答，还希望其行为能够在各种场景中契合不同的人类偏好。为实现这一目标，强化学习（RL）流程开始引入多种奖励，每种奖励代表一种不同的偏好，用于引导模型产生更符合预期的行为。然而，近期的相关工作在多奖励场景下，往往直接采用了Group Relative Policy Optimization（GRPO，组相对策略优化）方法，而没有对其适用性进行充分的检验。本文指出，直接将GRPO应用于不同奖励组合的归一化，会导致所有奖励信号在归一化后变得完全一致，从而

V-trace的核心公式与计算过程之前探索和学习了IMPALA强化学习算法。https://blog.csdn.net/liliang199/article/details/158211646