人工智能
关注
分享
扫一扫
文章平均质量分 87
传统机器学习、神经网络、深度学习、大模型LLM
老马爱知
深耕IT/CT/AI融合，以多元洞见驱动认知进化，终身学习践行者。
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
第5篇 视觉“骨架网”的进化——从VGG、GoogLeNet到ResNet
VGG、GoogLeNet和ResNet的进化史，不是单纯地堆砌参数，而是一场关于网络结构设计的哲学革命。它们分别用“极简堆叠”、“并行结构”和“天才短路”，打破了深度瓶颈，构建了现代AI之眼的坚实骨架。原创 2025-11-26 19:04:22 · 751 阅读 · 0 评论 -
第4篇 2012年的「创世爆炸」——CNN如何开启深度视觉革命？
CNN的革命不是发明了更强的“规则”，而是发明了一套让机器“自动学习规则”的系统，彻底终结了“手工特征”时代。原创 2025-11-18 11:24:39 · 890 阅读 · 0 评论 -
第 3 篇CNN诞生前的“蛮荒时代”——SIFT与HOG的故事
在深度学习之前，SIFT与HOG不是靠海量数据“喂”出来的智能，而是工程师用数学“手动”打造的视觉灯塔。它们证明了机器不必像人眼那样感光，而是可以通过精巧的数学变换去感知结构。原创 2025-11-10 10:57:16 · 522 阅读 · 0 评论 -
第2篇 数字图像的“前世今生”：从像素到信息
AI看到的数字图像不是现实的“复制品”，而是充满妥协的“编码摘要”。AI不是在“看”世界，它是在“解码”这个摘要。原创 2025-11-03 12:20:07 · 699 阅读 · 0 评论 -
第1篇 机器如何“看见”？——AI之眼的终极目标
计算机视觉不是让机器像人一样“看见”，而是让机器执行基于数学的模式匹配任务，以解决真实世界的问题。原创 2025-10-25 07:00:00 · 1241 阅读 · 0 评论 -
第20篇：如何系统入门机器学习？——从迷茫到精通的认知升级之路
系统学习机器学习，不是知识的被动堆砌与理论的完美主义，而是以解决真实问题为导向，通过项目实践完成思维方式的主动重构与认知升级 。原创 2025-10-16 16:56:32 · 255 阅读 · 0 评论 -
《人工智能AI之机器学习基石》系列 第 19 篇：生成式AI与大语言模型初探——当AI学会“创造”
生成式AI的浪潮，不是要用机器智能取代人类，而是在开启一个人机协同的新范式。我们的身份不是单纯的“工具使用者”，而是能与AI高效对话、激发其潜力、并对最终结果负责的“智能协-作者”。原创 2025-10-10 08:45:00 · 192 阅读 · 0 评论 -
《人工智能AI之机器学习基石》系列 第 18 篇：AI的偏见与伦理挑战——当算法成为“规则制定者”
AI偏见不是技术本身的恶意，而是对人类社会既有不公的忠实反映与放大。构建负责任的AI，不是单纯的算法优化，而是一个需要技术、流程与法规协同，共同为技术配上“人文缰绳”的系统工程。原创 2025-09-23 10:09:21 · 278 阅读 · 0 评论 -
《人工智能AI之机器学习基石》系列 第 17 篇：从模型到产品——AI应用的“最后一公里”
一个成功的AI产品，不是一个仅在实验室里精度高的“学霸模型”，而是一个融合了70%工程与30%科学，能够被稳定部署、持续监控和迭代，并在真实世界创造价值的可靠服务。原创 2025-09-15 10:35:13 · 633 阅读 · 0 评论 -
《人工智能AI之机器学习基石》系列 第 16 篇：关联规则与数据挖掘——“啤酒与尿布”传奇背后的增长秘密
关联规则挖掘的价值，不是找到那些最频繁、最显而易见的组合，而是从海量数据中发现提升度高、最“出人意料”的强关联，并将其转化为可检验的、能驱动业务增长的商业假设。原创 2025-09-12 11:33:33 · 623 阅读 · 0 评论 -
第 15 篇：PCA与降维——如何在信息爆炸的时代，抓住“主要矛盾”？
PCA降维的核心思想不是简单粗暴地丢弃特征，而是一次优雅的“信息压缩”与“视角重构” 。它通过重组特征、转换视角，帮你从复杂数据中抓住最核心的“主要矛盾” 。原创 2025-09-07 11:36:11 · 416 阅读 · 0 评论 -
第 14 篇：K-Means与聚类思维——当AI在没有“标准答案”的世界里寻宝
K-Means的智慧，不是依赖预设的“标准答案”，而是在无标签的数据海洋中，通过“分配-更新”的迭代游戏自主寻宝；它的成功，不是一个纯粹的数学问题，而是技术与业务的深度结合，将算法发现的“群体”，转化为驱动决策的商业洞察。它不是机器学习的终点，而是商业洞察的起点。原创 2025-08-31 11:50:25 · 510 阅读 · 0 评论 -
第 13 篇：过拟合与正则化——如何给“想太多”的AI戴上“紧箍咒”？
AI模型的卓越，不是能完美“背诵”训练数据，而是具备应对未知挑战的“举一反三”能力；防止过拟合，不是让模型变笨，而是通过正则化这道“紧箍咒”，在模型的复杂与简约之间寻找智慧的平衡，引导它从“记忆答案”的“书呆子”进化为“掌握知识”的“实干家”。原创 2025-08-24 09:29:29 · 269 阅读 · 0 评论 -
第 12 篇：模型调参与交叉验证——AI炼丹师的“调味”与“品尝”秘笈
AI模型的卓越，不是依赖算法的天赋异禀，而是源于科学的“后天调教”；寻找最优解，不是只有“地毯式”的网格搜索，而是有更高效的随机搜索与贝叶斯优化；评估模型的真伪，不是靠一次偶然的“考试”，而是通过交叉验证的“模拟大考”，赋予其稳健可靠的实战品格。原创 2025-08-17 10:27:10 · 411 阅读 · 0 评论 -
第 11 篇：模型评估指标全解——当AI交卷后，我们如何为它“科学阅卷”？
评价AI，不是只看一个模糊的“准确率”，而是要用混淆矩阵这份“体检报告”进行精细诊断；决策的智慧，不是追求单一指标的极致，而是在精准率与召回率的“跷跷板”上，根据真实场景做出权衡；模型的优劣，不是一次考试定终身，而是通过ROC/AUC，洞察其在所有可能下的综合分辨能力。原创 2025-08-10 09:00:00 · 3501 阅读 · 0 评论 -
第 10 篇：深度学习的“军火库”——CNN、RNN与Transformer，AI如何看懂世界？
深度学习的革命，不是依赖单一的通用大脑，而是为不同任务打造了专属“军火库”：CNN用“局部感知”看懂图像，RNN用“循环记忆”理解序列，而Transformer则用“全局注意力”开启了AIGC时代。理解这些架构，不是记忆孤立的技术，而是洞察AI从“专才”走向“通才”的进化脉络。原创 2025-08-03 12:14:04 · 619 阅读 · 0 评论 -
第 9 篇：神经网络初探——当AI拥有了“大脑”，世界从此不同
神经网络的智慧，不是对大脑的简单复制，而是一次受其启发的伟大工程创造；它的强大，不是源于某个神秘组件，而是来自层级结构带来的特征抽象能力；它的学习，不是一蹴而就，而是通过前向预测与反向修正的无数次循环，不断逼近真相。原创 2025-07-25 10:49:41 · 122 阅读 · 0 评论 -
第 8 篇：K近邻与朴素贝叶斯——当AI学会“看脸”和“算命”，世界变得多简单？
AI的智慧，不是总依赖复杂的模型和海量的训练，而是可以回归最朴素的直觉。本文揭示了KNN如何通过“看邻居”来分类，以及朴素贝叶斯如何用“算概率”来推断。它们证明了，在机器学习的世界里，简单不是简陋，而是一种直击问题本质的强大力量。原创 2025-07-17 11:51:42 · 322 阅读 · 0 评论 -
第 7 篇：支持向量机（SVM）——在数据旷野中，划出最宽的“安全边界”
SVM的智慧，不是随意地将数据一分为二，而是在数据的旷野中寻找那条最宽的“安全边界”；它不是被所有样本所困扰，而是只依赖最关键的“支持向量”；它不是在低维度的困境中挣扎，而是通过核技巧的“升维打击”，优雅地征服非线性世界。原创 2025-07-09 10:39:01 · 545 阅读 · 0 评论 -
第 6 篇：决策树与随机森林——当机器学会了“如果…那么…”，世界将如何被重塑？
本文从“如果…那么…”的人类直觉出发，深入剖析了决策树如何通过“追求纯度”来构建规则。进而阐述其进化形态——随机森林，如何运用“样本随机”与“特征随机”的集体智慧，在牺牲部分可解释性的代价下，克服个体偏见，换取了极致的稳定与精准，成为现代AI的基石。原创 2025-07-01 14:08:20 · 1307 阅读 · 0 评论 -
第 5 篇：逻辑回归——当直线学会转弯，AI便懂得了选择
本文通过“直线学会转弯”的生动比喻，揭示了逻辑回归如何借助Sigmoid函数，将数值预测升级为概率判断，让AI学会做“选择题”，并阐明了其强大的可解释性为何是分类问题的关键钥匙。原创 2025-06-23 17:20:23 · 965 阅读 · 0 评论 -
第 4 篇：线性回归——机器学习“开山第一斧”，用一条直线洞见AI本质
本文深入浅出地介绍了机器学习的“开山第一斧”——线性回归，阐释了如何通过一条简单的直线来理解其核心原理、应用场景，并洞察整个机器学习的基本框架。原创 2025-06-12 12:01:23 · 1091 阅读 · 0 评论 -
人工智能AI之机器学习基石系列 第 3 篇：选择你的“学习方法”——初探监督学习与无监督学习
本文通俗讲解了机器学习的两大核心范式——监督学习（有“老师”指导，用带标签数据预测）与无监督学习（自主“探索”，从无标签数据中发现模式），并阐明了它们的核心区别与适用场景。原创 2025-06-03 10:41:34 · 1097 阅读 · 0 评论 -
人工智能AI之机器学习基石系列 第 2 篇：数据为王——机器学习的燃料与预处理
揭秘机器学习的基石：本文剖析数据为何是AI的“燃料”，并详解数据清洗、特征转换、特征缩放及数据集划分等关键预处理步骤，助你打磨高质量数据，提升模型性能。原创 2025-05-27 15:36:29 · 1900 阅读 · 0 评论 -
人工智能AI之机器学习基石系列 第 1 篇：什么是机器学习？——开启智能之门
一起轻松入门机器学习，理解其与人工智能、深度学习的关系，掌握三大基本要素和核心术语，开启你的智能探索之旅。原创 2025-05-21 11:46:24 · 1499 阅读 · 0 评论 -
Scaling Law遇到瓶颈？大模型性能还能继续稳步增长吗？
Scaling Law遇冷，推理齿轮接棒，但AI性能提升正面临自然极限——未来属于更高效、更聪明的系统。原创 2025-04-28 15:32:35 · 1027 阅读 · 0 评论