scikit-learn

孪生不止在工厂：能源、医疗与农业孪生不止在工厂：能源、医疗与农业一、能源：让电网和设备可见二、医疗：从器官到流程三、农业：让田地会"说话" 四、跨行业的共同难点五、别照搬工业那套 #数字孪生 #数字化转型 #能源数字化 #智慧医疗

智码看视界

小米表格数据基础模型-Xiaomi-TabLDM 部署测评，70M表格基础模型开源，一套配置通吃分类回归Xiaomi-TabLDM 由小米于 2026-09-05 正式发布并开源，是一个通用表格数据基础模型，参数量 70M，许可证 Apache 2.0（Copyright 2026 Xiaomi）。它提供 TabLDMClassifier（分类）与 TabLDMRegressor（回归）两个 scikit-learn 风格 estimator，GitHub（xiaomi-research/xiaomi-tabldm）与 HuggingFace（occams/Xiaomi-TabLDM）均已开放权重与代码，技

手写数字识别：KNN vs 逻辑回归实战手写数字识别是分类任务的「Hello World」，它具备以下特点，非常适合作为机器学习入门的第一个实战项目：

机器学习及其Python实践机器学习及其实践机器学习及其实践通过计算机程序去做获取数据的行为, 之后进行处理, 再接着分析, 还要进而理解数据, 借此识别出数据里存在的模式与规律, 并且利用这些知识来做出智能决策或者预测未来, 这被称作机器学习。近年来, 伴随社会信息化进程加快, 机器学习领域受到广泛关注, 还得到了广泛研究, 其已经在图像处理、语音识别、文本处理、推荐系统等多个领域有着广泛应用。

“AI国潮设计-小江”

《Python实战 | 用SDXL大模型生成“潮汕英歌舞”国潮IP头像，已申请外观专利，附Prompt思路！》import requests import json import base64# 1. 连接你的SD WebUI本地API (默认端口 7860) def generate_chaoshan_avatar(prompt, negative_prompt=""): url = "http://127.0.0.1:7860/sdapi/v1/txt2img" # 2. 核心Prompt工程：锁定潮汕文化与C4D质感 full_prompt = prompt + ", Chaoshan Yingge Dan

机器学习复习收官Day12---type: notetitle: 机器学习阶段收官（C1–C3 总结）date: 2026-09-03

机器学习复习Day8——异常检测---type: notetitle: 异常检测编程作业date: 2026-08-29description: C3W1 异常检测两步走：①estimate_gaussian 按列算 μ（均值）和 σ²，给正常数据套钟形罩子 ②select_threshold 用验证集 F1 挑阈值 ε，p<ε 判异常。核心 tp/fp/fn 只在"被判坏"里统计 tp+fp，prec 分母=判坏总数、rec 分母=真坏总数。不用 accuracy 挑 ε：异常极少时它虚高，会挑出"什么都不抓"的废物阈值。F1 是**

Python 神经网络入门：用 scikit-learn 完成 MLP 分类与回归摘要：不必先搭建复杂的深度学习工程，也可以完整体验神经网络建模。本文以鸢尾花分类为主线，介绍多层感知机的基本原理、数据划分、特征标准化、模型训练与评价，再扩展到回归任务，重点解释数据泄漏、收敛警告和损失曲线等容易被忽略的问题。

智购科技无人售货机厂家

2026自动售货机远程运维平台设计：从设备诊断到预测性维护的工程实践~YH本文从设备诊断系统、远程维护能力、预测性维护模型三个层面，系统梳理自动售货机远程运维平台的工程实践。远程运维平台的基础能力是实时获取设备的健康状态数据，包括在线状态（设备是否在线、4G信号强度、最后在线时间）、核心部件状态（制冷系统温度、压缩机运行时长、门锁状态）、关键功能状态（支付模组是否正常、扫码窗是否清洁、出货电机是否有故障）、软件版本（主控固件版本、AI模型版本、UI版本）。

智购科技自动售货机工厂

2026自动售货机电机驱动芯片选型：从L298N到DRV8870的工程实践~YH本文从驱动芯片分类、关键参数解析、选型对比三个层面，系统梳理自动售货机电机驱动芯片的选型工程实践。自动售货机出货电机采用直流有刷电机，驱动芯片的核心功能是将主控的低压逻辑信号（3.3V/5V，几毫安电流）转换为驱动电机所需的中压大电流（12V/24V，1-3A）。

如何快速构建一个数据科学应用？从零到上线写给数据科学新手的完整实战指南本文将介绍如何将一个在 Jupyter Notebook 中训练好的机器学习模型，转化为一个真正的 Web 应用，以便与同事或老板在线分享和体验。

用递归消除法优化“特征子集”机器学习的模型训练中，特征不是越多越好，而是要找到那个 "刚刚好"的子集。今天介绍的方法 "简单粗暴"，通过递归的方式，不断淘汰一个个特征，直到找到那个最优的 "特征子集"。

[人工智能]Scikit-learn：Python中的实用机器学习库Scikit-learn：Python中的实用机器学习库本文面向工程实践介绍Python机器学习库scikit-learn，包括其设计理念、核心API约定以及主要估计器家族。同时讨论数据预处理、模型选择和评估等典型工作流程，并通过示意图表说明常见用法。文中示例仅为示意，不代表具体产品或标准性能指标。

基于模型的重要性评分进行“特征排序”前几篇介绍了使用方差阈值，相关性分析以及统计检验等方式来过滤特征，这些方法都有一个共同点，就是由人来决定如何打分。

基于机器学习的智能邮件分类系统：从数据采集到模型部署全流程实战本文摘要：本文详细介绍了一个基于机器学习的智能邮件分类系统，涵盖数据采集、中文文本预处理、TF-IDF特征提取、五种机器学习模型对比训练、模型评估与可视化、GUI系统开发全流程。系统使用5,518封中英文混合邮件（中文占比74.6%）作为数据集，SVM模型在测试集上取得92.39%的准确率和92.33%的F1值。文中包含完整可运行代码，适合NLP入门和课程设计参考。本文代码+数据：https://pan.quark.cn/s/c2e80eb58fa0

Patrick在香港

Python依赖管理从踩坑到选型：pip/poetry/uv四种方案全面实测这个报错你见过几次？我在香港的第一个Python项目——一个处理强积金数据的Flask应用——上线前就因为pip install的依赖冲突回滚了两次。那之后我把pip、pipenv、poetry、uv全部测了一遍。

用统计检验来确定“重要特征”在做机器学习建模的时候，经常遇到一个让人头疼的问题：手上有几十甚至上百个特征，到底哪些该留、哪些该丢？

用电负荷聚类分析实战：基于`scikit-learn`的`K-Means`与`DBSCAN`双算法对比、`PCA`降维可视化与智能电表负荷画像全流程核心内容：基于某产业园152条配电回路、90天、15分钟粒度的4G智能电表实测数据，完整走通一条负荷聚类分析流水线：

用相关性分析消除“冗余特征”刚开始学机器学习时，我也像大部分人一样，有个很朴素的想法：特征越多，模型能学到的信息就越多，效果自然越好。

用方差阈值过滤掉“惰性特征”在机器学习实战中，我们常常把精力花在调参和选模型上，却忽略了一个更基础的问题：喂给模型的数据里，有多少特征是真正有用的？