机器学习

小鸡吃米…

Python的人工智能-机器学习学习指的是通过学习或经验获得知识或技能。基于此，我们可以定义机器学习（ML）如下 −它可以被定义为计算机科学领域，更具体地说是人工智能的应用，它为计算机系统提供了利用数据学习并从经验中提升的能力，而无需明确编程。

机器学习时间特征处理：循环编码（Cyclical Encoding）与其在预测模型中的应用做过电力负荷预测或者交通预测朋友，大概率都处理过时间特征。这里最直接的做法通常是把时间（比如分钟或小时）直接扔进模型里。这看起来逻辑自洽，但存在这一个大坑，就是“午夜悖论”。

Day50 - 预训练模型与CBAM集成在深度学习实践中，我们经常遇到这样的问题：如何优化一个已经训练好的模型（如ResNet18）？直接修改模型结构（如插入注意力模块）是否会破坏原有的特征提取能力？

《人工智能基础》[算法篇5]：SVM算法解析在日常生活中，我们常常需要对事物进行分类。比如整理衣物时，会将上衣、裤子、袜子等分别归类放置；整理书籍时，会按照文学、科学、历史等类别将书籍摆放整齐。在机器学习领域，也有类似的任务，支持向量机（Support Vector Machine，SVM）就是一种强大的分类工具。

27届暑期实习内推：网易美团京东快手等最近好多27届的宝子开始问我找实习的事儿了！没错，现在就是准备暑期实习（寒假实习也适用）的黄金期💎 如果你的“八股文”和刷题已经有底子了，大胆去投递吧！这不仅能提前熟悉秋招流程，一份亮眼的实习经历更是让你明年在求职大军中脱颖而出的王牌🃏！重要提示：这里的岗位都需要使用对应的内推链接或内推码进行投递哦，自己直接投很可能查不到进度！内推能大大提高被看见的机会，千万别浪费啦~ 下面这些正在热招的日常实习岗位，都是我为大家整理好的，抓住机会冲鸭！

Coovally AI模型快速验证

深度学习驱动的视频异常检测（VAD），AI如何让监控更智能？你是否曾想过，在成千上万的监控视频中，如何让计算机自动识别出打架、闯入、徘徊等异常事件？这正是视频异常检测（Video Anomaly Detection, VAD）所要解决的核心问题。随着深度学习技术的飞速发展，VAD 已成为计算机视觉领域的热点研究方向，并在智能安防、自动驾驶、内容审核等领域展现出巨大应用潜力。

阿水实证通

DoubleML+FLAML实现双重机器学习超参数的自动调优（python实现路径）自动化机器学习（AutoML）的最新进展让机器学习估计器的超参数自动调优变得更简单。这些经过优化的学习器可用于 DoubleML 框架内的估计环节。在本笔记本中，我们将探索如何借助 AutoML 为 DoubleML 框架调优学习器。

【基于 Scikit-learn 本地数据集的垂直领域词云生成】在自然语言处理（NLP）的探索性数据分析（EDA）阶段，词云（Word Cloud）依然是快速直观地展示语料库特征分布、捕捉高频关键词的有效手段。

新冠检测例子学习查准率和召回率假设我们用核酸检测筛查新冠患者：检测阳性检测阴性合计真实感染 T P = 90 F N = 10 100 真实未感染 F P = 20 T N = 880 900 合计 110 890 1000 \begin{array}{c|cc|c}\\ & \text{检测阳性} & \text{检测阴性} & \text{合计} \\\\ \hline\\ \text{真实感染} & \color{green}{TP=90} & \color{red}{FN=10} & 100 \\\\ \text{真实未

自动驾驶中的传感器技术82——Sensor Fusion（5）点云级融合车载点云级感知融合算法概览层次关键特点典型实现数据层融合（Early Fusion）‍直接在原始点云或图像像素上进行配准、投影，形成统一的输入（如点云‑图像混合体）

Nature 2025 TabPFN的使用与报错解决官网链接：GitHub - PriorLabs/TabPFN: ⚡ TabPFN: Foundation Model for Tabular Data ⚡

海边夕阳2006

【每天一个AI小知识】：什么是自注意力？目录一、小明的翻译难题：从故事说起二、自注意力的基本概念2.1 什么是自注意力？2.2 自注意力与传统注意力的区别

知识图谱构建知识图谱构建（2）四、知识推理五、知识表示六、图数据库七、NL2SQL#人工智能#具身智能#VLA#大模型#AI

[模式识别-从入门到入土] 拓展-生成式模型知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

深入解析MoE架构：大模型高效训练的核心技术在人工智能快速发展的今天，大型语言模型的参数规模已从数亿增长到数万亿。2023年，GPT-4的参数数量据估计达到1.8万亿，而谷歌的PaLM模型更是达到了惊人的5400亿参数。这种规模的增长带来了前所未有的性能提升，但同时也带来了巨大的计算挑战。

[模式识别-从入门到入土] 组合分类器知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

大数据-195 KNN/K近邻算法实战：欧氏距离+投票机制手写实现，含可视化与调参要点K近邻算法(K-Nearest Neighbors, KNN)的核心思想是基于样本间的距离度量来判断相似性。具体来说，它通过计算待分类样本与训练集中各个样本之间的特征空间距离（常用的距离度量包括欧式距离、曼哈顿距离或余弦相似度等），如果两个样本在特征空间中的距离足够接近，就认为它们具有较高的相似度，很可能属于同一类别。

工业互联网赋能装备制造智能化：企业如何抓住机遇规避风险工业互联网赋能装备制造智能化：企业如何抓住机遇规避风险在制造业快速向智能化演进的今天，工业互联网已成为推动装备制造行业变革的核心力量，却也像一把双刃剑，既带来无限可能，又考验企业的应对能力。装备制造企业，无论大中小规模，都置身于这场技术风暴中，不得不面对从传统生产线到数字化转型的阵痛与收获。回想工业互联网的本质，它并不是简单的网络连接，而是将物理设备、数据流和智能决策系统融合成一个动态网络，这在装备制造领域尤其关键，因为从设计到生产的每一个环节都依赖精确控制和高效协作。

Python 与数据科学工具链入门：NumPy、Pandas、Matplotlib 快速上手“工欲善其事，必先利其器。” ——在机器学习的世界里，你的“器”就是 Python 数据科学工具链。想象你要做一道菜。即使你背熟了所有食谱，如果厨房里只有生锈的刀、没校准的秤、漏底的锅，你依然做不出好菜。

Nature Methods | 诸奇赟组-Scikit-bio：用于生物组学数据分析的基础Python库Scikit-bio：用于生物组学数据分析的基础Python库研究论文● 期刊：Nature Methods, IF[32.1]