tag 機器學習

標籤
貢獻433
486
05:25 PM · Oct 25 ,2025
deephub 頭像 tecdat 頭像 qingfouai 頭像 chaoshenjinghyperai 頭像 u_17420180 頭像 u_17061379 頭像 lab4ai 頭像 u_15214399 頭像 youyudetusi 頭像 aigoto 頭像 u_15690955 頭像 MrVolleyball 頭像

@機器學習 / 博客 RSS 訂閱

lab4ai 頭像

Lab4AI - 7M參數，幹翻巨無霸LLM！這款超小遞歸模型（TRM），在ARC-AGI上證明了“少即是多”

01 論文概述 論文標題：Less is More: Recursive Reasoning with Tiny Networks 作者團隊：三星AI實驗室（Samsung SAIL Montréal） 發佈時間：2025年9月6日 論文鏈接：https://arxiv.org/pdf/2510.04871 👉您可以跳轉到 Lab4AI 平台上去閲讀論文原文。 Lab4AI

機器學習 , 神經網絡 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_12192 頭像

angel - heml頁面讓變成小窗口頁面

PS雖然功能很強大，但很多人因為覺得難學而望而卻步，其實對於初學者或者工作幾年的CG專業人士來説，我們所使用的功能還是很有限的，並不會特別複雜，這裏我們總結了一些關於板繪初學者需要掌握的PS的幾個常用功能。 【主界面】 這是PS的主界面,對繪畫來説大致分為這四個區域。除了菜單欄和工具屬性欄，其他的都是可以自由拖動，組合，關閉。 如果想要打開，在菜單欄-窗

機器學習 , 快捷鍵 , 圖層 , 人工智能 , 結果顯示窗口如何縮小 , 右鍵 , heml頁面讓變成小窗口頁面

收藏 評論

showmeai2 頭像

ShowMeAI - 數據驅動！精細化運營！用機器學習做客户生命週期與價值預估！⛵

💡 作者：韓信子@ShowMeAI 📘 機器學習實戰系列：https://www.showmeai.tech/tutorials/41 📘 本文地址：https://www.showmeai.tech/article-detail/330 📢 聲明：版權所有，轉載請聯繫平台與作者並註明出處 📢 收藏ShowMeAI查看更多精彩內容 現在的互聯網平台都有着

機器學習 , 數據挖掘 , 生命週期 , 數據分析 , 用户增長

收藏 評論

u_16213715 頭像

mob64ca1417eedd - 泊松迴歸 擬合度

去年12月，美國康涅狄格州發生校園槍擊案，造成28人死亡。 資料顯示，1982年至2012年，美國共發生62起（大規模）槍擊案。其中，2012年發生了7起，是次數最多的一年。 去年有這麼多槍擊案，這是巧合，還是表明美國治安惡化了？ 前幾天，我看到一篇很有趣的文章，使用"泊松分佈"（Poisson distribution），判斷同一年發生7起槍擊案是否巧合。

機器學習 , 臨界值 , 取值 , 泊松分佈 , 泊松迴歸 擬合度 , 人工智能

收藏 評論

u_17491820 頭像

呆個大頭鬼 - AI Ping：大模型時代的“性能羅盤”——從選型到落地的全流程指南

前言：大模型選型的“隱形成本” 當你打開第17個大模型官網，對着“128K上下文”“0.01元/千Token”的參數表陷入迷茫時，或許已經踩中了AI開發的第一個坑：選型失誤的成本，遠高於技術開發本身**。2025年，國內大模型服務供應商已超20家，模型數量突破230個。開發者常因“免費模型延遲過高”“付費服務吞吐量不達標”被迫重構系統——而這一切，本可以通過科學的性能評測**避免。

機器學習 , API , 人工智能 , 開發者 , 數據驅動

收藏 評論

turing_interview 頭像

圖靈訪談 - 《機器學習》作者Peter Flach：好萊塢也借AI上頭條

非商業轉載請註明作譯者、出處，並保留本文的原始鏈接：http://www.ituring.com.cn/art... 訪談對象： Peter Flach，布里斯托大學人工智能教授，擁有20多年的機器學習教研經驗。在高度結構化的數據挖掘以及通過ROC分析來評估和改進機器學習模型方面，Flach是國際領先的研究人員。他著有Simply Logical: Intelligent Reasoning

機器學習 , 圖靈訪談 , 人工智能 , 深層神經網絡 , Python

收藏 評論

u_17061379 頭像

AI編程社區 - Java 後端開發工程師使用 Qoder 實現面向 API 的運維平台前端開發

作為一名Java後端開發工程師，我的核心工作聚焦於企業級應用的架構設計與業務邏輯實現，程序開發的技術棧，主要是圍繞Java後端開發。工作的內容主要集中在根據產品需求編寫複雜的業務邏輯代碼，並通過DB、MQ等中間件管理業務數據。通過Web API接口將業務集成，通過阿里雲控制枱或終端設備進行接口調用，構建標準化的對外服務接口，支撐前端應用與外部系統的無縫集成。 從技術層面和業

機器學習 , API , 人工智能 , 開發者 , 迭代

收藏 評論

u_16099302 頭像

技術極先鋒 - FileSystemResource需要關閉資源嗎

在本節描述的示例代碼，提供真實的例子來示範在 FileSystemObject 對象模式中可用的許多功能。該代碼顯示瞭如何一起使用對象模式的所有功能，以及如何在您自己的代碼中有效地使用這些功能。 請注意，由於該代碼是極一般的，所以要使該代碼能夠真正在您的機器上運行，可能需要一些其他代碼和小小的變更。這些改變之所以必要，是因為在 Active Server Pages 和 W

機器學習 , 字符串 , 人工智能 , 示例代碼 , ci

收藏 評論

u_1150085 頭像

I_am_Alex - 國產大模型Doubao-Seed-Code + Claude Code：讓創意工具快速落地的最佳組合

一、AI編程的背景與發展 當生成式AI技術滲透到產業各環節，編程領域正經歷從“輔助片段生成”到“全流程任務落地”的質變。過去開發者需花費數小時搭建的基礎功能，如今AI可在分鐘級完成，據行業數據顯示，AI編程工具已能將開發效率提升30%-60%。 在前端web技術棧經驗幾乎為0的背景下，我使用AI編程大模型實現了幾十款實用的小工具或者小遊戲，讓我的很多想法變成了顯示，那

code , 機器學習 , yyds乾貨盤點 , API , 人工智能 , 開發者

收藏 評論

u_16213637 頭像

mob64ca140530fb - ppo算法不是深度強化學習嘛

一、概述 引用GAE論文的觀點，策略梯度法存在的兩個方面問題： 樣本利用率低，由於樣本利用率低需要大量採樣； 算法訓練不穩定，需要讓算法在變化的數據分佈中穩定提升； 目前比較常用的四種置信域方法TRPO、ACER、ACKTR、

機器學習 , 強化學習 , ppo算法不是深度強化學習嘛 , 數據分佈 , acer軟件保護卡怎麼解除 , 人工智能 , 算法訓練

收藏 評論

deephub 頭像

deephub - 10個Pandas的高級技巧

Pandas是我們最常用的數據處理Python庫之一。儘管您可能已經與它共事多年，但可能還有許多您尚未探索的實用方法。我將向您展示一些可能未曾聽説但在數據整理方面非常實用的方法。 我目前日常使用的是pandas 2.2.0，這是本文時可用的最新版本。 import pandas as pd import numpy as np print(pd.__version__) 1、agg 你

機器學習 , pandas , 數據分析 , Python

收藏 評論

u_16099328 頭像

墨染青絲 - Temporal Table Function Join實現

在做這個Join查詢的時候，必然涉及數據，我這裏設計了2張表，分別較data.txt和info.txt，字段之間以/t劃分。 data.txt內容如下： 201001 1003 abc 201002 1005 def 201003 1006 ghi 201004 1003 jkl 201005 1

機器學習 , 字段 , 數據 , text , 人工智能

收藏 評論

u_12959 頭像

lanhy - fastapi BaseModel定義數據類型

原諒我就只會這兩水題了，其他題沒怎麼看~估計看了也是無奈 Olympiad Time Limit: 2000/1000 MS (Java/Others)Memory Limit: 65536/65536 K (Java/Others) Total Sub

機器學習 , include , i++ , 人工智能 , define

收藏 評論

u_17420180 頭像

合合信息解決方案 - 財務如何自動從大量發票中提取關鍵信息

財務人員在發票處理中的核心痛點 在企業日常運營中，財務人員始終面臨着海量發票處理的沉重壓力，傳統人工處理模式下的痛點愈發突出，嚴重製約了財務工作效率與質量。 首先是處理效率低下。企業經營過程中，員工報銷、採購結算等場景會產生大量發票，這些發票版式各異，既有國內增值税專票、普通發票，也有海外各類票據，財務人員需逐張手動甄別發票類型、錄入開票日期、金額、税號等關鍵信息，面

機器學習 , 字段 , 表單 , 數據 , 人工智能

收藏 評論

u_14126 頭像

網猴兒 - modemst2基帶文件

基帶傳輸：簡單理解就是傳輸“1”和“0”這種方波電平信號的通信傳輸方式，不過要對信道和信源進行編碼和譯碼，主要用到編碼器和譯碼器，採用雙絞線（可以直接傳輸電平）的以太網一般就是基帶傳輸； 頻帶傳輸：將“1”和“0”，或正負脈衝所表示的數據基帶信號，經調製器，變換為便於在通信線路上傳輸的交流信道信號進行傳輸，接收時採用解調器還原成基帶信號。

機器學習 , modemst2基帶文件 , 基帶傳輸 , 單片機 , 傳輸層 , 人工智能 , 網絡

收藏 評論

u_17491820 頭像

呆個大頭鬼 - AI Ping雙款新模型同步免費解鎖：GLM-4.7與MiniMax M2.1實測

前言 本文聚焦國內領先大模型服務評測與聚合平台AI Ping最新上線的兩款旗艦模型——GLM-4.7與MiniMax M2.1，深度解析二者核心定位與差異：GLM-4.7側重複雜工程任務一次性交付與Agentic Coding場景；MiniMax M2.1專攻長鏈Agent執行，強化多語言工程能力與持續運行效率。 ( ) 目錄 一、旗艦模型

機器學習 , 多語言 , API , Max , 人工智能

收藏 評論

u_16099317 頭像

錦繡前程未央 - stm32cubemx 宏定義

今天介HAL庫操作普通IO口，就是輸入/輸出。 如果用CubeMX配置io工程，打開以後可以看到如下代碼： GPIO_InitTypeDef GPIO_Initure; __HAL_RCC_GPIOB_CLK_ENABLE(); // 根據名字，這是使能B端口 GPIO_Initure.Pin=GPIO_PIN_0; 　　　　

機器學習 , it , stm32cubemx 宏定義 , 初始化 , 人工智能 , define

收藏 評論

u_17569005 頭像

wx6906fb3f9b17a - 智能電梯調度系統通過DAIC核心組件實現多品牌電梯的統一調度，提升運力20%-30%。系統包含羣控器、狀態處理器等設備，採用無源幹觸點技術確保安全，支持二次開發擴展功能

智能電梯調度系統通過多奧（DAIC）核心組件實現不同品牌電梯的統一調度與運力提升，特別適用於電梯並聯台數超過2台或需調度多台電梯的場景（電梯本身不支持羣控時），可提升電梯運力20%-30%，減少等待時間並優化資源分配。 電梯智能羣控系統的核心組件及其功能，如DAIC-TK-MB電梯羣控器的技術參數和適用場景 智能梯控樓層觸點擴展板

VIP乘梯 , 機器學習 , 智能梯控 , 梯控 , 智能派梯 , 人工智能 , 電梯門禁

收藏 評論

u_12929 頭像

話不是這麼説的 - 無順序applist 怎麼做共現embeding

Reference jianshu easemob TCP UDP TCP(Transmission Control Protocol)：傳輸控制協議 UDP(User Datagram Protocol)：用户數據報協議 TCP UDP 都是傳輸層協議 目錄

機器學習 , 數據 , tcp , 人工智能 , udp

收藏 評論

u_14691 頭像

lemon - 屏蔽 ElementPlusError

信號導致的問題 不是任何信號我們都需要的，如果遇到我們不想處理的信號，我們怎麼避免這個信號？ 1.信號屏蔽 intsigprocmask(int how,//操作方式 SIG_BLOCK屏蔽信號

機器學習 , 信號處理 , include , i++ , 人工智能 , 屏蔽 ElementPlusError

收藏 評論

u_16099333 頭像

煙雨江南的秋 - sqlalchemy異步更新語句

一、SQL在數據庫中的執行過程 二、執行計劃 1. ACID 原子性：一個事務（transaction）中的所有操作，要麼全部完成，要麼全部不完成，不會結束在中間某個環節。事務在執行過程中發生錯誤，會被恢復（Rollback）到事務開始前的狀態，就像這個事務從來沒有執行過一樣。 一致性：在事務開始之前和事務結束以後，數據庫的完整

機器學習 , 字段 , 子查詢 , sqlalchemy異步更新語句 , 人工智能 , SQL

收藏 評論

u_17061379 頭像

AI編程社區 - 藉助 Qoder 3 天吃透 LDR 源碼

大家好，我是阿里雲公共雲技術服務部的徐劍寒。日常工作中，我們會與 SA 和商務團隊協同，共同為客户提供服務支持。今天我要分享的主題是《藉助 Qoder 3 天吃透 LDR 源碼》。 一、LDR 技術介紹 LDR 是"Local Deep Research"的縮寫，可能有些朋友對這個概念還不熟悉。需要説明的是，Deep Research 技術本身並不算新，但也不是過時的

機器學習 , 數據結構 , 搜索 , 源碼分析 , 人工智能

收藏 評論

u_16827017 頭像

全棧技術開發者 - 如何解釋「線性迴歸」的含義？在實際數據中，異常值對迴歸係數估計有何影響？誤差項有異方差時，最小二乘估計的標準誤差如何調整才合理？

在現代科學研究與數據分析領域，理解變量之間的關係是一項核心任務。無論是在經濟預測、工程實驗還是生物統計分析中，研究者都面臨着大量複雜數據的挑戰。這些數據不僅維度多、噪聲強，而且變量之間的相互依賴往往難以直觀判斷。線性迴歸作為一種基礎而系統的量化工具，為這一問題提供了嚴謹的方法框架。通過數學模型，它將因變量與一個或多個自變量之間的關係形式化為線性函數，使研究者能夠定量評估自變量對因

機器學習 , 線性迴歸 , 擬合 , yyds乾貨盤點 , 數據 , 人工智能 , 線性代數

收藏 評論

u_16213694 頭像

mob64ca1412b28c - stm32cubemx配置tim8

概述 這次是STM32中定時器部分的介紹，他與51系統的不同是定時器數量的增加以及寄存器的調用，説白了，庫函數還是基於寄存器的。 STM32F103系列的單片機一共有11個定時器： 2個高級定時器、4個通用定時器、2個基本定時器、2個看門狗定時器、1個系統滴答定時器、除去看門狗定時器和滴答定時器，其他8個定時器列表：

機器學習 , 優先級 , 初始化 , 中斷優先級 , 人工智能 , stm32cubemx配置tim8

收藏 評論