- 博客(6)
- 收藏
- 关注
RSS订阅原创 算法模型的泛化与适配问题
在工业 AI 视觉检测（如 YOLO 模型）场景中，指模型在训练集之外的未知样本（同场景不同批次、不同光照 / 角度的工件）上的预测精度；则是指模型跨场景迁移（如从检测电子元件缺陷迁移到检测汽车零部件缺陷）或在硬件受限环境（如边缘设备）下保持性能的能力。
2026-01-04 15:05:59
593
原创 解码Agent：人工智能时代的自主决策实体
从学术定义来看，Agent是指在特定环境中能够自主感知环境状态、根据预设目标和自身规则做出决策，并执行相应动作以影响环境的计算实体。简单来说，Agent的核心价值在于“自主闭环”——无需人类持续干预，即可完成“感知-决策-执行”的完整流程。需要注意的是，Agent并非简单的“智能程序”。普通程序往往需要严格的指令输入才能执行固定任务，而Agent具备对环境的自适应能力：当环境发生变化时，它能主动调整决策逻辑，确保目标的实现。
2026-01-04 14:57:35
667
原创 Dify、Coze（扣子）、n8n 对比解析：低代码 / 无代码工具的定位与选择指南
企业搭 AI 应用，要安全、要私有知识 →Dify；个人做轻量助手，想快、想零代码 →Coze；跨工具自动化，想省时间、替代手动 →n8n。
2025-09-19 14:14:36
2373
原创 一文看懂 YOLO 算法：像人眼一样 “一眼识别” 目标
YOLO 的本质，就是 “把图像拆成小格子，让每个格子负责预测自己地盘里的目标，最后删掉重复的框”—— 通过 “分工明确、一步到位” 的思路，实现了 “又快又准” 的目标检测，成为现在工业界（自动驾驶、安防、机器人）最常用的算法之一。
2025-09-15 09:28:55
3256
原创 机器学习中的过拟合与欠拟合：原理、辨析与解决方案
机器学习的核心目标不是 “让模型在训练集上表现好”，而是 “让模型在测试集上稳定工作”（即泛化能力强欠拟合是 “高偏差、低方差”：模型没抓住核心规律，无论数据怎么变，预测偏差都大；过拟合是 “低偏差、高方差”：模型在训练集上偏差小，但数据稍有变化（换测试集），偏差就骤增。实际训练中，需通过 “调整模型复杂度”“优化数据”“加入正则化” 等手段，在 “偏差” 和 “方差” 之间找到平衡 —— 既让模型学会真实规律，又不被噪声干扰，最终得到泛化能力强的模型。
2025-09-15 08:58:33
2851
原创 人人能懂！人脸识别算法原理 + 公式大白话版
找脸：用 MTCNN 等方法，从画面里精准圈出人脸；编密码：用 FaceNet 等方法，把人脸变成唯一的数字密码；对密码：用距离或相似度比对，判断是不是同一个人。现在你再用刷脸功能时，就知道机器背后在做这些事啦！既不用怕 “机器认错人”（算法一直在升级），也记得保护好自己的 “数字身份证”（别随便授权刷脸），让技术既方便又安全。
2025-09-08 11:49:07
2300
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