机器学习

C在机器学习中的ML.NET应用是一个开源的跨平台机器学习框架，专为.NET开发者设计。它于2018年由微软发布，旨在降低机器学习的入门门槛。通过，你可以处理各种任务，如分类、回归和聚类，而无需依赖外部库或语言切换。该框架内置了多种算法和工具，支持从数据加载到模型训练的全流程。例如，你可以使用C代码直接处理数据集，训练模型并进行预测，整个过程与Visual Studio或.NET Core无缝集成。这尤其适合企业级应用，因为它能轻松整合到现有的.NET系统中，提高开发效率。

甄心爱学习

数据挖掘-聚类方法聚类分析划分式方法层次式方法基于密度和基于网格的方法聚类结果的评价为了实现有效的聚类，可以采用哪些不同的相似度或距离度量？

机器学习日报21今天学习了K-means算法初始化和聚类数选择的关键问题。在初始化方面，我理解了随机选择k个训练样本作为初始聚类中心的方法，以及通过多次随机初始化来避免局部最优解的技巧。对于聚类数的选择，认识到这往往没有标准答案，需要根据数据特性和应用需求来判断。通过可视化不同k值下的聚类效果，我明白了肘部法则等选择聚类数的实用方法。

【机器学习】10 正则化 - 减小过拟合过拟合 Overfitting，通常也可以描述为 High Variance （高方差）欠拟合 Underfitting，通常也可以描述为 High Bias （但这个词也有很多别的用法）

增强城市数据分析：多密度区域的自适应分区框架原文: Enhancing Urban Data Analysis: Adaptive Partitioning Framework for Multidensity Regions 欢迎引用！

不去幼儿园

【启发式算法】灰狼优化算法（Grey Wolf Optimizer, GWO）详细介绍（Python）📢本篇文章是博主启发式算法领域学习时，用于个人学习、研究或者欣赏使用，并基于博主对相关等领域的一些理解而记录的学习摘录和笔记，若有不当和侵权之处，指出后将会立即改正，还望谅解。文章分类在👉启发式算法专栏：

大模型面试题5：矩阵(M*M)特征值分解的步骤特征值分解的核心是：把一个复杂的M×M矩阵A，拆成3个简单矩阵的乘积（A = PΛP⁻¹），其中：分解的本质是：找到矩阵A的“核心作用方向”（特征向量）和“每个方向上的缩放倍数”（特征值），把复杂的矩阵运算转化为简单的“缩放+坐标变换”。

极客BIM工作室

用LLM+CadQuery自动生成CAD模型：CAD-Coder让文本秒变3D零件你有没有过这样的经历？想画个法兰盘的CAD模型，得打开专业软件、调坐标系、画草图、做拉伸……步骤繁琐还得熟稔操作逻辑。现在，基于大语言模型（LLM）和CadQuery的CAD-Coder方案，能让你输入一段零件描述，直接生成可执行的CAD代码——今天我们就来拆解这个让CAD建模“动口不动手”的技术！

原子级制造的现状与未来！原子级制造正引领一场制造技术的范式革命，它旨在通过对单个原子或原子团簇进行精准操控，直接构造具有特定功能的材料和器件，被认为是制造技术的终极形态之一。当前，全球主要科技强国在此领域处于竞争与合作并存的“并跑”阶段，中国凭借前瞻布局和大科学装置建设，正积极抢占这一未来产业的制高点。

Box-Cox变换：机器学习中的正态分布“整形师“本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！

陈天伟教授

基于学习的人工智能（4）机器学习基本框架学习需要一个主体，就像人的学习需要大脑一样。这个主体本质上是一个可以随着学习不断更新的数据结构，从而实现对学习结果的累积，通常称为“模型”。

深度学习理论与实战：MNIST 手写数字分类实战深度学习的核心魅力之一，在于深层神经网络能处理复杂的多分类问题 —— 比如经典的 MNIST 手写数字识别。今天我们会从 “多分类问题的核心逻辑” 到 “深层神经网络实战代码”，把 MNIST 分类的全流程讲透，新手也能跟着跑通完整代码，理解深层网络的工作原理。

飞扬的风信子

RAG基础知识1. RAG定义RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合检索和生成技术的方法。2020年，Facebook AI Research(FAIR)团队发表名为《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》的论文，该篇论文首次提出了RAG概念。在大模型领域中，RAG特指一种模式：模型在回答问题或生成文本时，首先从广阔的文档库中寻找相关信息。然后，模型使用这些找到的信息来生成

西格电力科技

分布式光伏 “四可” 装置：“发电孤岛” 到 “电网友好” 的关键跨越在新能源革命与“双碳”目标的双重驱动下，分布式光伏以其部署灵活、消纳高效的优势，正加速渗透到工业厂房、居民屋顶、工业园区等各类场景。然而，其“碎片化”布局带来的出力随机性、运行状态不透明、调控响应滞后等问题，使其长期处于“发电孤岛”状态——既无法与电网形成有效协同，又常因电压波动、频率偏移等问题威胁配网安全。分布式光伏“可观、可测、可控、可调”四可装置的出现，精准切中并网核心痛点，详细了解光伏四可装置可咨询:1.3.7-5.0.0.4-6.2.0.0。通过全维度功能构建，成为推动分布式光伏从“被动并网”向

陈天伟教授

基于学习的人工智能（3）机器学习基本框架机器学习是利用恰当的算法，从数据中获取经验，对基于知识设计的初始模型进行改进，从而更有效地实现任务目标的方法。

serve the people

机器学习（ML）和人工智能（AI）技术在WAF安防中的应用在Web应用防火墙（WAF）安防中，机器学习（ML）和人工智能（AI）技术主要用于解决传统规则引擎的局限性（如误报高、难以应对未知攻击等）。以下从核心应用方案和适配框架工具两方面进行梳理，侧重实用性和落地场景：

前端机器学习一、为啥要在浏览器里搞机器学习？速度！隐私！成本！这三个词够不够直接？想象一下：用户上传照片直接本地完成风格迁移，服务器零流量压力；医疗数据在患者设备完成病灶标记，根本不用传出浏览器——这合规性难题瞬间破解。去年做的智能相册项目，图片分类模型只有200KB，WebAssembly一编译，中端手机跑起来比奶茶店叫号还快。

陈天伟教授

基于学习的人工智能（5）机器学习基本框架数据是机器学习的“粮食”，是知识的原始载体。机器学习的目的就是将分散在数据中的知识提取来并保存在模型中。要训练一个优秀的机器学习模型，必须对数据进行精心选择。一般来说，数据需要具备以下几个条件：

你好，Scikit-learn：从零开始你的第一个机器学习项目欢迎来到《Scikit-learn实战全解》专栏！无论你是充满好奇的初学者，还是希望系统梳理知识的从业者，这里都将是你机器学习之旅的完美起点。我们将手把手带你安装工具、理解核心概念，并完整实现第一个机器学习模型，同时为你揭示代码背后至关重要的“为什么”。