机器学习

一只菜鸟学深度学习的日记：入门卷积本文以作者阅读《Dive into Deep Learning》为线索，融合串联了自身理解感悟、原始论文、优秀文章等。如有无意侵权，请联系本人删除。

千里码aicood

计算机大数据、人工智能与智能系统开发定制开发在当今数据驱动的时代，计算机科学已深度融入人工智能、商业智能与科学研究。本技术体系围绕数据采集 → 存储处理 → 智能分析 → 可视化应用全流程，整合以下关键技术栈：

小模型结合大模型的加速方法关键笔记大模型不断变强，但“全程用大模型”在算力和本钱上都越来越吃紧，于是业界开始尝试一种新的架构：用两个模型协同完成任务——小模型负责琢磨，大模型负责回答，这种分工思路，本质上是把“想清楚”和“说清楚”拆开处理，既节省资源，又有机遇获得更好的推理效果。

XC3S1000-4FGG320I Xilinx AMD Spartan-3 SRAM-based FPGAXC3S1000-4FGG320I 赛灵思 Xilinx（AMD） Spartan-3 系列中的一款中等容量 SRAM-based FPGA，面向成本敏感的消费类与嵌入式市场，用于实现可重构的数字逻辑、接口桥接、协议处理与中低速数据流控制。该器件属于 Spartan-3 家族中容量偏大的成员，设计目标是在保持低成本的同时为控制类和中等复杂度逻辑提供可编程能力，常用于视频/显示前端、网络接入设备、工控与消费电子等需要现场升级逻辑的场景。

苏州知芯传感

当AI遇见MEMS：机器学习如何优化微振镜的控制与可靠性预测在MEMS微振镜迈向更高性能与更严苛应用的征途中，传统基于物理模型的控制与可靠性分析方法正逐渐触及“天花板”。非线性、温漂、工艺分散性以及复杂的失效机理，使得精确建模与预测变得异常困难。而此时，以数据驱动为核心的机器学习技术，正携其强大的非线性拟合、模式识别与预测能力而来，为MEMS微振镜的设计、控制与健康管理开启了一扇全新的大门，推动其从“精密机械”向“智能光机”演进。

roman_日积跬步-终至千里

【模式识别与机器学习（10）】数据预处理-第二部分：数据预处理核心方法缺失值处理有哪些方法？ 6种方法从简单到复杂：忽略元组（<5%且随机）、人工填写（数据量小）、全局常量（快速处理）、均值/中位数（分布均匀）、同类样本统计量（有类别信息）、最可能值（预测模型，最准确）

sklearn函数总结四——归一化和标准化纯手打，代码整理中……序号沿用总结三不同特征可能有不同的量纲和范围（如身高、体重、年龄），归一化使各特征在相同尺度上进行比较，避免某些特征因数值较大而主导模型。

Day27 机器学习管道pipelinepipeline在机器学习可以翻译为"管道"，也可以翻译为“流水线”，是机器学习中一个重要的概念。在机器学习中，通常会按照一定的顺序对数据进行预处理、特征提取、模型训练和模型评估等步骤，以实现机器学习模型的训练和评估。为了方便管理这些步骤，我们可以使用pipeline来构建一个完整的机器学习流水线。

严文文-Chris

【半监督学习常见算法】答：这就是自训练——先做会的那10道，然后用这个思路去“猜”剩下的90道。猜对了的题，就当成“新例题”加入题库，继续学。

Day 29 类的定义及参数函数就是 “把一段常用的代码打包，起个名字”，以后想用这段代码时，直接叫这个名字就行。Python 里用 def 函数名(参数): 来定义，比如 def add(a,b): return a+b 就是一个计算加法的函数。

Day 28 元组和OS模块@浙大疏锦行在 Python 中，元组（Tuple）是一种不可变、有序、可包含任意数据类型的序列结构，也是最基础的数据类型之一。它和列表（List）语法相似（用圆括号 () 包裹），但核心区别是「不可变」—— 这让元组在数据安全、哈希（如字典键）、性能等场景中更有优势。

All The Way North-

PyTorch SmoothL1Loss 全面解析：数学定义、梯度推导、API 规范与 logits 误用纠正目录1、基本介绍2、logits得分 vs 预测值3、代码 & 解释：✅ 一、nn.SmoothL1Loss 是什么？

迁移学习基础知识——总体思路和度量准则（距离和相似度）Hi，大家好，我是半亩花海。在上节说明了迁移学习领域的一些基本知识，那么对迁移学习的问题进行简单的形式化之后，本文主要将介绍迁移学习的总体思路和常用度量准则（这里先说明距离和相似度）。核心思路是寻找源领域与目标领域的相似性（不变量）并加以利用。常用的距离度量包括欧氏距离、闵可夫斯基距离和马氏距离；相似度度量则涵盖余弦相似度、互信息、皮尔逊相关系数和Jaccard相关系数。这些度量方法对设计迁移学习算法至关重要，旨在定量评估领域相似性并指导学习过程优化。

老欧学视觉

0012机器学习KNN算法在KNN算法中，非常重要的主要是三个因素：KNN分类预测规则KNN回归预测规则以上代码是通过蛮力实现(brute)：计算预测样本到所有训练集样本的距离，然后选择最小的k个距离即可得到K个最邻近点。缺点在于当特征数比较多、样本数比较多的时候，算法的执行效率比较低

INT303 Big Data Analysis 大数据分析 Pt.10 分析模型和混合模型基于实例的分类器是一种机器学习方法，它通过存储训练数据集（即“已存储的案例”）来对新的、未见过的数据（即“未见过的案例”）进行分类。当需要对新样本进行分类时，分类器会查找训练集中与新样本最相似的样本，并根据这些相似样本的类别来预测新样本的类别。我们可以理解为我们最基本的现实世界中以最近似的情况做参考从而解决我们当下的问题。

基于粒子群优化的LSTM时间序列预测模型研究摘要：随着工程系统中时间序列数据的复杂性不断提高，传统预测模型在泛化能力和预测稳定性方面已难以满足实际需求。长短期记忆网络（LSTM）在处理非线性与长依赖序列方面具有优势，但其预测性能高度依赖于隐层规模、学习率等超参数的设置，不合理的参数选择易导致模型收敛缓慢或陷入局部最优。为提升模型在工程时序预测任务中的精度和稳定性，构建一种高效、自动化的超参数优化策略具有重要研究价值。

【宝藏数据集】LUMOS：腰椎多模态骨质疏松症筛查专用最近又挖到一个医学影像领域的宝藏数据集——LUMOS，它是首个专门为腰椎骨质疏松筛查设计的多模态数据集，目前正在ACM MM 2025 Dataset Track审核中，对做医疗AI、骨质疏松症检测相关研究的小伙伴来说超有价值，先存下来分享一波！

杰瑞不懂代码

【公式推导】AMP算法比BP算法强在哪（一）BP算法算的是一个精确的边缘概率，它做的是：因子图里面，每个节点（变量、因子）互相传消息。每个节点把邻居给的消息相乘、求和，再发给其他邻居，最后推出来真正的边缘概率。

机器学习--损失函数损失函数（Loss Function）是机器学习中用于衡量模型预测值与真实值之间差异的函数，是优化算法的核心目标。通过最小化损失函数，模型逐步调整参数以提高预测准确性。

机器学习入门＜4＞RBFN算法详解本文用生动的比喻和直观的可视化，带你一步步理解RBFN的核心思想，无需深厚数学背景也能掌握这一经典机器学习算法。