- 博客(49)
- 收藏
- 关注
RSS订阅原创 基于YOLO26深度学习的【果园荔枝检测与计数】系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
荔枝是高价值热带水果，产量直接关系果农收益，但果园枝叶遮挡、果实重叠、光照不均等问题突出，导致传统人工计数估产效率低、误差大、劳动强度高。本文基于。
2026-05-29 09:39:27
441
1
原创 机器学习经典小项目1：鸢尾花分类
元宝说，鸢尾花分类项目，是机器学习的Hello world。然后给了我一个完整的鸢尾花分类代码。运行结果为：先从引入的包开始看。sklearn实际上是包scikit-learn的简称，如果在运行时候报错说，没有sklearn包。使用cmd命令行，应输入pip install scikit-learn下载安装，而不是pip install sklearn下载安装。
2026-05-28 09:40:59
402
原创 机器学习经典小项目4：泰坦尼克号生存预测
今天我准备学习泰坦尼克号生存预测小项目。我问腾讯元宝要代码来学习，不过，它给我的代码，每一个都运行失败，给了我4篇代码，4篇全是运行失败，timeout，应该是泰坦尼克号数据集下载不了吧。算了，看看能不能我自己去网上找一份泰坦尼克号数据集，或者自己手搓一份泰坦尼克号的数据集吧。
2026-05-27 10:48:47
470
原创 Feature Engineering 实战：Pandas + Scikit-learn的机器学习特征工程的完整代码示例
把原始数据转换成有意义的输入变量（特征），让机器学习模型表现更好——这就是 feature engineering。Feature engineering 是机器学习项目能否成立的基石。干净、变换过、有意义的特征，往往胜过用劣质数据训练的复杂算法。上面把这些步骤都做扎实，模型的准确率和稳健性都会上一个台阶。在真实的机器学习项目里，feature engineering 往往比挑哪个模型更决定胜负。特征做得好，预测自然好。
2026-05-26 11:09:21
413
原创 机器学习到底是什么？
你有没有遇到过这种情况：打开网易云音乐，它推荐的第一首歌，你一听，哎，就是这个味儿。打开淘宝，首页第一个商品，你昨晚刚查过类似的。给朋友发了一张照片，手机相册自动识别出照片里的人是谁，顺手帮你分好了类。收到一封邮件，还没等你看，它已经被扔进垃圾箱了。这些事情，你可能习以为常了。但如果你停下来想一想：这背后到底是谁在做决定？没有人在盯着你的账号帮你挑歌。没有人在看你浏览了什么商品然后手动给你推荐。是一个程序在做这些事。但这个程序，和我们平时认知里的"程序"不太一样。在解释机器学习之前，我们先说说传统编程是怎么
2026-05-25 10:29:47
471
原创 从零跑通一个医学预测模型流程：基于Python机器学习
靠经验判断固然重要，但如果能让数据说话，风险评估会更客观、更有说服力。这篇文章以 MIMIC-IV 数据库中的肺炎患者为例，用 Python 搭建一套完整的机器学习预测流程，目标是预测患者是否会发生院内死亡。整个过程分 12 个步骤，提供部分参考代码。
2026-05-24 09:15:00
436
原创 机器学习知识点：正则化
今天我们来聊一个解决过拟合时经常出现的方法：正则化 Regularization.前面我们讲过，过拟合是模型在训练集上表现很好，但在测试集上表现变差。那怎么让模型不要学得太复杂、太死呢？一个常用答案就是：给模型加一点“约束”。这就是正则化的核心思想。01 什么是正则化？正则化是一种控制模型复杂度的方法。它的目标不是让模型在训练集上拿到最高分，而是让模型在新数据上表现更稳定。一句话理解：正则化就是在训练模型时，限制参数不要变得过大，从而降低过拟合风险。
2026-05-23 10:13:59
241
原创 【机器学习】回归代码练习
人口收益06.110117.592015.52779.130228.518613.662037.003211.854045.85986.8233人口收益count97.00000097.000000mean8.1598005.839135std3.8698845.510262min5.026900-2.68070025%5.7077001.98690050%6.5894004.56230075%8.5781007.046700。
2026-05-22 14:53:38
43
原创 手把手实现一个深度学习框架（附代码实现）
tinynn 相关的源代码在这个 repo（https://github.com/borgwang/tinynn） 里。目前支持：layer ：全连接层、2D 卷积层、 2D反卷积层、MaxPooling 层、Dropout 层、BatchNormalization 层、RNN 层以及 ReLU、Sigmoid、Tanh、LeakyReLU、SoftPlus 等激活函数。
2026-05-20 10:38:49
381
原创 大模型 ｜ 大模型之机器学习基本理论
对比维度有监督学习无监督学习半监督学习强化学习数据类型全标签数据无标签数据少量标签+大量无标签无直接标签，通过奖励反馈学习目标学习输入到输出的映射发现数据内在结构利用无标签数据提升泛化能力学习最优行为策略以最大化奖励核心特征有“老师”指导自主“发现”模式结合监督与无监督学习通过“试错”与环境互动典型应用分类、回归聚类、降维网页分类、NLP游戏AI、机器人控制。
2026-05-19 10:20:01
516
原创 PyTorch 入门：从0到50行代码掌握深度学习框架
PyTorch 是目前学术界最流行的深度学习框架，Facebook 出品，动态图机制让调试变得无比简单。学完本文，你将掌握：张量（Tensor）的创建与操作自动求导（Autograd）原理DataLoader 数据加载神经网络模块（nn.Module）搭建模型完整训练循环的4个步骤知识点核心函数重要程度张量创建5星张量操作5星自动求导5星DataLoader5星神经网络5星GPU加速4星优化器4星保存加载4星。
2026-05-18 10:53:03
371
原创 大一学生如何入门机器学习，深度学习，学习顺序如何？
我是从数据开发转过来的，我刚入行那会机器学习刚刚流行，刚接触的时候，也是一头扎进各种数学公式里，什么梯度、散度、旋度、什么雅可比矩阵，头都大了。感觉自己不是在搞AI，捧着那本大名鼎鼎的《统计学习方法》（我们那时候还没西瓜书），感觉每个汉字都认识，连起来就跟看天书一样。你真让我现在回头来复盘一遍自己的学习曲线，说实话，如果当年死磕数学再去看AI理论，我八成放弃这条路了。初期过于死抠公式和理论，只会陷入“咱学数学到底是为了啥”、“我学完这些能干嘛”这种虚空，成就感零，甚至很快自我否定。
2026-05-17 09:30:00
551
原创 大一学生如何入门机器学习，深度学习，学习顺序如何？
先说结论，项目驱动的学习思路完全正确。我读大一的时候也和你一样，那个时候高数和线代都还在学，觉得数学不学好怎么学习深度学习呢，因为一直以来脑子里的思路都是计算机科学是数学的一个分支。但是当时我学数学的时候，看到傅里叶变换就看不下去了，学习AI的热情都燃尽了。后面我还啃过，发现都是公式，看不懂，不知道学完能干什么。懵懵懂懂直到大二学机器学习这门课，老师要求结课的时候都要交一个项目报告，同时附上代码和演示视频，必须做项目，在做项目的过程中我才意识到之前学的那些知识的用处。
2026-05-16 09:30:00
464
原创 什么是数据挖掘？
数据挖掘(Data Mining)就是从大量的数据中，提取隐藏在其中的，事先不知道的、但潜在有用的信息的过程。由于搜索空间是指数规模的，关联分析的目标是以有效的方式提取最有趣的模式。异常检测算法的目标是发现真正的异常点，而避免错误地将正常的对象标注为异常点换言之，一个好的异常检测器必须具有高检测率和低误报率。)不可缺少的一部分，而KDD是将未加工的数据转换为有用信息的整个过程，该过程包括一系列转换步骤， 从数据的预处理到数据挖掘结果的后处理。的任务是识别其特征显著不同于其他数据的观测值。
2026-05-15 10:34:34
397
原创 别再死磕算法！2026 年 AI 职场捷径：人工智能技术经理人，入职加薪双开挂
事实恰恰相反 ——2026 年 AI 岗位量同比暴涨约 12 倍，平均月薪远超传统新经济岗位，但企业最缺的，不是纯技术研发，而是能把 AI 技术变成钱的复合型人才，这正是人工智能技术经理人的核心价值。报名流程简单，线上学习、线上考试，备考周期仅 2-4 周，还有免费补考机会，职场人碎片化时间就能备考，不耽误工作。朋友小周，普通本科、非技术背景，在传统运营岗内卷 3 年，月薪始终卡在 8k，跳槽屡遭 HR 以 “缺乏 AI 能力” 拒之门外。别等机会错过才后悔，现在开始，用低成本投入，换未来无限可能。
2026-05-13 11:13:58
219
原创 AI 入门先学什么？一条更稳的路线图
网上最显眼的内容，往往是应用层：几句 Prompt、一个 Agent Demo、几小时搭个聊天机器人。这样不是“看过”，而是真的会用。所以，“先学大模型更贴近市场”只对已有编程和建模基础的人更成立。现在岗位更看重你能否把数据、模型、代码、评估和部署串成闭环，而不是知道多少热门名词。如果你已经会 Python、会处理数据、能看懂基本评估，这条路没问题。这一层的重点不是推公式，而是建立判断力：模型为什么变好，为什么失效。传统 ML 不是过时了，而是变成了更重要的基础层。AI 入门最贵的成本，不是学得慢，而是。
2026-05-12 10:34:26
401
原创 普通人如何入门AI人工智能?最短学习路线分享
在正式学习AI算法之前，你应该具备一些基础的线性代数知识，这会让你更容易的理解算法，线性代数的知识非常广阔，而我们只需要理解其中的一小部分就行了,推荐给大家一个非常好的线性代数快速学习视频，就是3Blue1Brown出的这个《线性代数的本质》，非常生动的把很抽象的东西说的很透彻，可能你看书几天都想不明白的东西，看看这个视频，几分钟就懂了，实在没有耐心看完的，着重看懂前10课就够了，每一课十几分钟，学习线性代数主要的目的是让我们对维度和空间有一个具体的概念，这样才能理解。AI的应用范围到底有多广？
2026-05-11 11:09:23
334
原创 浅谈人工智能领域各个方向
写这篇文章是想分享一下理解的宏观上的AI，内容比较浅显，希望对即将选研究方向、就业方向的同学们，对转行、自学的朋友们 有所帮助~~适用读者：对AI领域感兴趣的小白首先附上诚意满满的彩图 ^ ^AI子方向。
2026-05-09 09:42:28
369
原创 十大最受欢迎的AI算法模型
企业面临的一系列问题是巨大的，用于解决这些问题的ML模型的种类非常广泛，因为有些算法在处理某些类型的问题方面比其他算法更好。所谓的超平面的英文用不同的值分隔数据输入侧节点的线，从这些点到超平面的向量可以请立即获取iTunes它（当同一类的所有数据实例都在超平面的同一侧时）或者无视它（当数据点在同类平面之外时）。ML的常用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。这是最古老，最常用，最简单和最有效的ML模型之一。
2026-05-08 09:40:57
412
原创 CV计算机视觉每日开源代码Paper with code速览
群内包含目标检测、图像分割、目标跟踪、Transformer、多模态、NeRF、GAN、缺陷检测、显著目标检测、关键点检测、超分辨率重建、SLAM、人脸、OCR、生物医学图像、三维重建、姿态估计、自动驾驶感知、深度估计、视频理解、行为识别、图像去雾、图像去雨、图像修复、图像检索、车道线检测、点云目标检测、点云分割、图像压缩、运动预测、神经网络量化、网络部署等多个领域的大佬，
2026-05-07 13:54:39
475
原创 机器学习算法：机器学习算法入门--从概念到算法详解
通俗的说，有监督学习就是比无监督学习多了一个可以表达这个数据特质的标签，让模型可以学习从特征到标签的映射关系。传统的逻辑回归评分卡模型，因为模型变量特征的可解释性，以及每个变量均有具体的评分，可以清晰的知道每个变量是如何影响评分的，以及影响的具体分值，所以传统金融机构用逻辑回归建模较多。模型评估在之前文章【风控模型专题：模型开发与模型评估指标】中已有详细介绍，机器学习算法的评估也是类似的，主要评估指标AUC与KS，风控模型中还涉及到一些其他的评估指标，感兴趣可以翻阅相关文章，这里不再重复介绍。
2026-05-06 10:20:44
425
原创 深度学习如何入门？
关于深度学习，网上的资料很多，不过貌似大部分都不太适合初学者。 这里有几个原因：1.深度学习确实需要一定的数学基础。如果不用深入浅出地方法讲，有些读者就会有畏难的情绪，因而容易过早地放弃。2.中国人或美国人写的书籍或文章，普遍比较难一些。我不太清楚为什么，不过确实是这样子的。深度学习，确实需要一定的数学基础，但真的那么难么？这个，还真没有。不信？听我来给你侃侃。看完，你也会觉得没那么难了。本文是针对初学者，高手可以无视，有不对的地方，还请多多批评指正。这里，先推荐一篇非常不错的文章： 《1天搞懂深度学习》，
2026-05-05 14:17:42
336
原创 从客服转行AI Agent：半年学习与求职复盘
先挑一个能用的跑通链路就行，目的是让它听话，不是做学术研究。现在Agent这行真的属于窗口期拉满，而且是全新的领域，新到学校里教不出来，清华的学生和你一样，都是自学加摸着石头过河，因此你是双非本也好，985硕也好，都是同一起跑线，也都是一套入门路线。教程内容很系统，圈内大佬深入讲解LLM的关键架构和原理，以及Rag、Agent、LangChain、Fine-tune技术和Fine-tuning过程，带你把主流LLM怎么调用、接入业务、一步步搭出可用的智能应用，直接给你拆解sop，跟着做就能产出像样的作品。
2026-04-23 15:03:11
242
原创 OpenAI Operator vs Claude Act：两大厂商Agent对比
最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的LLM，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？模型不直接生成最终答案，通过显式推理步骤判断是否调用外部工具(如搜索引擎、数据库等)，再根据反馈继续推理与执行，直至完成任务。能降低Hallucination和推理错误概率，使输出更稳定可靠，但会增加计算开销和响应延迟，适用于对精准性、严谨性要求高的场景。模型生成初稿后，自我审查评估并修正问题，得到更新版本。
2026-04-23 14:30:14
299
原创 斯坦福AI开发课程对我帮助有多大：真实反馈
这门课由 Mihail Eric 主讲，他是斯坦福校友，曾在 Amazon Alexa 担任技术主管，创办过 YC 孵化的 AI 编程公司，如今重返母校，开设了斯坦福历史上第一门专注于 AI 软件开发的课程。探讨上下文管理的艺术：如何让 AI 理解你的项目？真正的现代开发者，需要学会像管理一群"热情但稚嫩的 AI 实习候选人"一样，给它们提供清晰的上下文、明确的指令、合理的架构。每个作业都基于真实的 AI 工具——Claude Code、Warp、Semgrep、Graphite——而不是玩具项目。
2026-04-23 14:25:05
434
原创 深入解析：计算机视觉需要哪些数学基础？如何高效学习线性代数和概率论？
img=np.array([[100,150],[200,250]])# 简单2x2图像transform=np.array([[0,-1],[1,0]])# 旋转矩阵new_img=np.dot(transform,img)# 矩阵乘法print(new_img)周3-4：线性变换、逆矩阵。1. 几何变换（矩阵乘法、逆矩阵）：用处：图像旋转、缩放、仿射变换（手机美颜、AR试妆）。我见过太多学员：文科生、程序员转行、甚至中年职场人，一开始怕公式如怕虎，但跟着正确路线，结合代码和图像实践，很快就爱上数学了。
2026-04-22 15:56:00
395
原创 深度学习模型图谱：6大CV经典架构全解读
一、概述本文系统介绍了深度学习模型图谱：6大CV经典架构全解读的核心内容。二、详细内容目录1. LeNet（90/98）诞生于1990年，在手写体字符识别领域创造性的引入了卷积神经网络的基本操作，意义重大，可以说是现代卷积神经网络的发展起点。1.1思路引入卷积层+池化层等结构1.2 网络结构输入图像分辨率：28x28结构：（1）卷积层1：5x5 --->输出4个24×24大小的特征图；（2）池化层1：平均池化层 2x2；（3）卷积层2：5x5 --->输出12个8x8大小的特征图；
2026-04-22 15:52:55
425
原创 计算机视觉需要哪些数学基础？常见问题全解析
img=np.array([[100,150],[200,250]])# 简单2x2图像transform=np.array([[0,-1],[1,0]])# 旋转矩阵new_img=np.dot(transform,img)# 矩阵乘法print(new_img)周3-4：线性变换、逆矩阵。1. 几何变换（矩阵乘法、逆矩阵）：用处：图像旋转、缩放、仿射变换（手机美颜、AR试妆）。结合代码和图像实践但跟着正确路线我见过太多学员，甚至中年职场人一开始怕公式如怕虎，、程序员转行，、：文科生，很快就爱上数学了。
2026-04-22 14:59:04
435
原创 AI Agent开发者薪资倒挂现象：应届生比老员工高
人的活干能个那为成能是就的做要你现在是AI Agent的黄金窗口期，需求大，但能踏踏实实干实事的人太少。就像十几年前移动互联网刚兴起的时候，那时候会搞安卓APP的人，哪怕学历不高，现在很多都成了大佬。。气打打你给，后最现在这个AI技能大爆发的阶段，对咱们普通人来说，就是一次难得的翻身机会。。领本际实的你重看更，低对相也槛门历学，方地种这一是那些刚成立不久的AI创业公司，这种公司最务实，老板恨不得你第一天就能上手干活，他才不管你是什么学校毕业的，你厉害他就给你高工资。
2026-04-13 16:51:35
211
原创 从RAG到搜广推：两个方向如何两手抓
第二，他自己搭了个小规模的 RAG pipeline，把法条知识嵌进去给法律咨询用。结果是，他收到了两家大厂的LLM应用算法实习 offer，虽然公司内部顶尖基础模型组他进不去，但落到业务层的LLM团队完全没问题。这就是典型的“不靠论文，靠项目能打”路径。LLM业务岗要看你打算切哪个层：模型研发层（模型结构、模型训练算法创新）——这对标大厂研究部门或者 Lab，拼的就是顶会论文、研究经历、开源贡献。没有论文很难硬刚，有也得是对口的。模型应用/后模型训练层（SFT、RLHF、RAG、embedding 优化）
2026-04-07 13:56:59
561
原创 从R-CNN到YOLO：目标检测算法的前世今生与YOLO原理
目标检测经历了从"两阶段"到"单阶段"的革命性变革。R-CNN开创了深度学习目标检测的先河，但需要两步：先找候选区，再逐个分类。Fast R-CNN和Faster R-CNN不断优化，但本质上仍是两阶段，速度难以突破实时瓶颈。2016年，YOLO横空出世，把目标检测变成端到端的回归问题。对图像只看一次，直接输出所有物体的位置和类别，速度达到前所未有的实时级别。
2026-04-07 13:56:56
270
原创 从LLM到Omni：2025年大模型技术全景与2026年趋势
这样更可靠、更容易解析。语料切分：项目中的关系抽取任务是句子级关系抽取，传统的句子级关系抽取数据集每条样本的句子长度是几十个Token。我在项目中使用的自建数据集，质量一般，实体关系密度较低，如果按照传统句子级关系抽取的窗口来切分语料，会导致关系样本量不足。计算方法：首先利用 Embedding 模型（如 BGE 或 OpenAI-text-embedding）对某个关系类别下的所有样本句子进行向量化，然后对这些高维向量求均值（Mean Pooling），得到该类别的“质心向量”来代表这个关系的原型。
2026-04-07 13:56:54
690
原创 从GUI/CLI到对话式交互：人机交互模式的根本转变
LLM的关键特征在于基于概率分布的“生成式能力”，这为创意和灵感的激发提供了巨大的价值。然而，这种概率驱动的机制具有双面性：它在赋予模型“创造力”的同时，也带来了输出的不确定性。这种“一模型多能”的特性，大幅降低了应用的开发与维护成本，也让跨功能的业务整合变得前所未有的高效。而现在，LLM允许用户以日常对话的方式输入需求。LLM应用开发的相关的信息并不稀缺——课程、路线图、项目清单到处都是，真正稀缺的是一种清晰感：哪些内容属于“LLM应用开发”的关键，哪些只是围观热闹的知识点，这需要有相当清晰精准的认知。
2026-04-07 13:56:44
168
原创 从0到1搞懂LLM就业：年薪百万的技术路线图
作为LLM领域的“关键技术担当”，最为负责设计、优化和模型训练大规模预模型训练模型，例如改进Transformer架构、融合多模态模型、实现模型压缩与加速等。从我们日常接触的NLP（例如聊天机器人）、计算机视觉（例如人脸识别），到企业端的智能推荐、金融风控，LLM技术正在悄悄重构传统行业的运作模式，也催生了大量高薪酬待遇职业方向。在当下求职就业竞争激烈的环境里，想要实现年薪百万的目标，AI技术LLM赛道，甚至比传统互联网行业更有优势，成为了很多开发者和职场人的“新出路”。
2026-04-07 13:56:37
285
原创 互联网大厂算法工程师都在干什么？真实工作内容曝光
你需要懂很多模型原理，会调参，会做特征工程，能把一堆原始数据，通过复杂的工序，炼成一个能用的“丹”，也就是模型。他们的核心任务变了，变成了：如何用好这些现成的、强大的“布料”，去做出能解决自己业务问题、能赚钱的“衣服”（应用）。现在的“算法岗”，其实是个“岗位簇”现在大家嘴里说的“算法工程师”或者“AI工程师”，已经不是一个单一的岗位了，它其实分化成了好几个差异巨大的方向。你这个问题，我先给个结论，一个可能会让你有点意外但绝对是现实的结论：你遇到的情况，不是特例，而是正在迅速成为行业的主流和新常态。
2026-04-07 13:56:34
428
原创 互联网大厂算法工程师现状：从手搓模型到AI应用开发
你想想，在没有大模型的时代（其实也就两三年前），算法工程师是干嘛的？那时候，模型是"稀缺资源"。每个公司，甚至每个业务场景，都得自己"手搓"模型。做推荐的，得从头研究Wide&Deep、DIN、MIND这些模型；做CV的，得自己攒人脸识别、物体检测的pipeline；做NLP的，得吭哧吭哧拿Bert-base魔改，调各种trick。那时候的算法工程师，更像一个"炼金术士"或者"手工作坊的老师傅"。
2026-04-07 13:56:30
384
原创 带你少走弯路：强烈推荐的Pytorch快速入门资料和翻译
这个资源为深度学习研究人员提供了学习PyTorch的教程代码大多数模型都使用少于30行代码实现。（大部分教程是PyTorch0.4实现的，代码与1.0+稍微有点不同，总体影响不大）”为PyTorch官网教程，网上已经有部分翻译作品，随着PyTorch1.0版本的公布，这个教程有较大的代码改动。这是一本开源的书籍，目标是帮助那些希望和使用PyTorch进行深度学习开发和研究的朋友快速入门。第三节 PyTorch 深度学习：60分钟快速入门（官方）第一章 ：PyTorch入门。第一节 PyTorch 基础。
2025-04-28 16:32:17
764
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人