机器学习_人工智能博客-专业IT技术发表平台

推荐付费专栏 VIP文章

机器学习特征工程：特征选择及在医学影像领域的应用特征工程是机器学习的核心环节之一，它直接影响模型的性能和预测能力。在医学影像领域（如肿瘤检测、疾病分类），特征选择尤为重要，因为医学影像数据通常具有高维、噪声多、样本量有限的特点。本文将详尽讲解特征选择的原理、实现方法及其在医学影像领域的应用。

阅读 2.3k

67赞

一个处女座的程序猿

AI：新书预告—从机器学习避坑指南(分类/回归/聚类/可解释性)到大语言模型落地手记(RAG/Agent/MCP)，一场耗时5+3年的技术沉淀—“代码可跑，经验可抄”—【一个处女座的程序猿】携两本AI AI：新书预告—从机器学习避坑指南(分类/回归/聚类/可解释性)到大语言模型落地手记(RAG/Agent/MCP)，一场耗时5+3年的技术沉淀—“代码可跑，经验可抄”—【一个处女座的程序猿】携两本AI实战书终于正式来了！目录相关文章一、写书背景二、新书内容速览：理论+实战+前沿，直击AI学习痛点三、新书上市 & 读者专属福利四、结尾相关文章LLMs：LLM一天，人间一年—2024年度大模型技术三+四大趋势梳理(数据/算法/算力+

阅读 9.5k

84赞

【机器学习与数据挖掘实战 | 医疗】案例20：基于交叉验证和LightGBM算法的糖尿病遗传风险预测本案例围绕基于机器学习的糖尿病遗传风险预测展开，重点阐述LightGBM模型算法结合k折交叉验证的应用，详细介绍机器学习全流程，包括体检数据集处理、构建血糖预测模型及对模型结果分析评价。

阅读 572

61赞

自然语言处理实战——基于机器学习的文本分类（GUI实现）本文介绍了一个功能完整的中文文本分类系统，包含基于Tkinter的GUI界面和12种机器学习算法。系统实现了从数据预处理到分类预测的全流程功能，支持DOCX等多种文件格式，并提供了丰富的可视化分析工具。核心算法包括朴素贝叶斯、逻辑回归、SVM等传统模型以及HMM、CRF等序列模型，具有中文优化、多线程处理和模型可解释性等特点。系统采用前后端分离设计，兼顾易用性与专业性，适合不同水平用户进行文本分类任务。

阅读 1.1k

14赞

对pyxlsbwriter 写入xlsx的数据查询产生NaN转换失败原因分析在使用pyxlsbwriter写入xlsx文件时，第49号查询出现错误。分析发现，当从xlsx文件读取数据时，第一列第14行的"<NA>"值无法转换为DOUBLE类型，导致解析错误。通过设置ignore_errors=1参数可忽略该错误，将该值保存为NULL，与原数据一致。但pyxlsbwriter保留nan数据，与原数据不一致，造成了查询错误。此问题可能与Excel对空值的特殊处理方式有关。

阅读 71

1赞

超龄超能程序猿

【机器学习】AdamW可调参数介绍及使用说明参数调大影响调小影响推荐值区间lr训练不稳定、发散收敛慢、欠拟合（根据任务调整）过正则化，模型能力下降正则不足，过拟合0.01~0.1betas更新更慢更快、但可能不稳定默认值不建议改动eps影响很小（可忽略）无显著影响不用调整训练稳定性提升过早限制更新速度，可能收敛困难1.0~2.0（根据任务启用）超参数过大影响过小影响lr训练不稳定、发散收敛速度慢、欠拟合模型能力受限，过正则化过拟合风险增加betas不影响训练稳定性（默认值即可）可能导致更新不稳定。

阅读 803

11赞

图机器学习（22）——图机器学习技术应用本节介绍了若干图机器学习算法及其在不同领域的应用，阐述了图数据采样与增强算法，并推荐了可用于处理相关任务的 Python 工具库。随后，我们概述了拓扑数据分析技术的基本原理及其近年来在不同领域的创新应用。最后，我们详细探讨了图机器学习在神经科学、化学和生物学等领域的应用场景，同时分析了该技术在图像分类、三维形状分析和推荐系统等其他任务中的解决方案。

阅读 1.3k

40赞

机器学习（深度学习） Python语言机器学习工具Scikit-learn包括许多智能的机器学习算法的实现Scikit-learn文档完善，容易上手，丰富的API接口函数sklearnscikit-learn中文社区数据量小，数据在sklearn库的本地，只要安装了sklearn，不用上网就可以获取数据量大，数据只能通过网络获取。

阅读 1.9k

20赞

机器学习——生成对抗网络（GANs）：原理、进展与应用前景分析生成对抗网络（Generative Adversarial Networks，简称GANs）是一种通过对抗性训练生成数据的深度学习模型。自2014年由Ian Goodfellow等人提出以来，GANs在图像生成、图像修复、图像超分辨率、语音生成等领域取得了突破性进展。本文将深入探讨GAN的基本原理、核心结构、训练方法、发展历程以及应用场景，并分析GAN在实践中面临的挑战和未来的研究方向。

阅读 5.4k

106赞

【1.JDK底层源码剖析】1.1 Objects常用方法的源码剖析本文剖析了 Java 11 中 java.util.Objects 工具类的常用方法源码实现。该工具类提供了一系列空指针安全的静态方法，包括对象比较（equals、deepEquals）、哈希计算（hashCode、hash）、字符串转换（toString）以及空值检查（requireNonNull系列、isNull、nonNull）等。这些方法设计精巧，通过内部空指针处理避免了外部冗长的判空逻辑，提高了代码健壮性和可读性。特别值得注意的是，requireNonNull系列方法实现了快速失败机制，而hash

阅读 16

0赞

图机器学习（20）——欺诈交易检测算法随着电子商务平台的兴起，在线支付系统的普及，欺诈案件也在增加。例如，使用被盗信用卡进行的交易就是一种典型的欺诈行为——这类交易模式必然与信用卡原持有人的正常消费存在显著差异。然而，构建自动检测欺诈交易的程序可能是一个复杂的问题，因为涉及的变量数量庞大。在本节中，我们将探讨如何将信用卡交易数据转化为图结构，并运用机器学习算法实现欺诈交易的自动识别。逐步处理数据集，最终构建一套完整的欺诈检测算法。

阅读 1.4k

51赞

大力出奇迹985

数据科学家必学：SQL+Python + 机器学习全链路一、数据科学浪潮与核心技能基石在这个数据爆炸的时代，数据宛如一座蕴藏无限价值的宝藏矿山，等待着被深度挖掘与有效利用。数据科学家便肩负着这一使命，他们是数字世界的 “淘金者”，运用专业技能从海量数据中提炼出有价值的信息，为企业决策指引方向，助力其在激烈的市场竞争中脱颖而出。而在数据科学家的技能工具箱中，SQL、Python 以及机器学习是最为闪耀的 “三件套”。SQL 作为与数据库沟通的桥梁，让数据科学家能够精准地从数据库中提取、筛选所需数据，如同熟练的矿工精准定位富矿脉。Python 凭借其简洁的语法

阅读 4.4k

6赞

【机器学习】集成学习算法及实现过程本文介绍了集成学习的基本概念、核心任务及其主要算法。集成学习通过组合多个模型（如Bagging、Boosting和Stacking）来提升预测性能，解决欠拟合和过拟合问题。Bagging通过并行训练多个模型并投票或平均结果来降低方差，典型代表是随机森林。Boosting则通过迭代训练弱学习器，逐步优化模型，典型算法包括AdaBoost和GBDT。文章还通过代码示例展示了如何使用VotingClassifier进行硬投票和软投票，并比较了不同集成方法的性能。集成学习在提高模型精度、增强泛化能力和处理复杂数据分

阅读 1.2k

18赞

Chatbox➕知识库➕Mcp = 机器学习私人语音助手作为一名热衷于探索AI科技前沿的博主，我近期亲身体验并成功搭建了一套令人惊艳的"Chatbox+知识库+语音MCP"智能学习系统，今天想与大家分享这个能够彻底改变传统学习方式的革命性工具。曾经我也陷入经典机器学习教材（如吴恩达深度学习、周志华《机器学习》）的"学完就忘"困境，直到发现Chatbox这个神器——它不仅完美解决了学习过程中的三大核心痛点（缺乏互动性、进度固化、被动接受），更通过三大核心技术模块构建了智能化学习闭环。

阅读 4.9w

224赞

DeepSeek R1 引发的思考：机器学习时代的人类与 AI 协作 DeepSeek R1采用的混合专家模型（MoE）架构是其性能提升的关键。传统的稠密模型在处理大规模数据和复杂任务时，计算成本高昂且效率低下。而MoE架构通过动态激活部分专家子网络，能够根据输入数据的特性，智能地选择最合适的专家进行处理。例如，在处理自然语言处理任务时，不同的专家子网络可以分别擅长语法分析、语义理解和文本生成等不同方面，从而在推理过程中显著减少计算量，同时保证模型的准确性。R1创新性地融合了强化学习（RL）与长思维链（CoT）模板系统。强化学习构建了“试错 - 反思 - 优化”的自主进化闭环

阅读 3.7k

117赞

【Python篇】深入机器学习核心：XGBoost 从入门到实战 XGBoost 是 Python 中的一个高效梯度提升机器学习库，广泛应用于分类、回归等任务，特别在处理大规模数据时表现出色。它提供了强大的并行化能力和超参数调优工具，是机器学习竞赛和生产环境中的常用选择。本教程带你从基础安装到高级模型优化，全面掌握 XGBoost 的使用技巧。

阅读 1.1w

194赞

【机器学习】SAE(Sparse Autoencoders)稀疏自编码器 SAE(Sparse Autoencoders)稀疏自编码器概念讲解

阅读 1.0k

9赞

【学习笔记】机器学习(Machine Learning) | 第七章|神经网络(3) 本文基于吴恩达教授的课程，介绍了使用TensorFlow实现深度学习神经网络的基础知识。文章通过两个实例——咖啡烘焙程度预测模型和数字分类模型，详细讲解了如何构建和训练神经网络。咖啡烘焙模型通过温度和时长预测咖啡质量，而数字分类模型则通过多层全连接网络进行数字识别。文章还强调了numpy数组在数据处理中的重要性，并解释了激活向量的计算过程。通过这些案例，读者可以初步掌握TensorFlow的基本操作和神经网络模型的构建方法。

阅读 5.7k

32赞

走进机器学习：新手必看的完整入门指南机器学习作为人工智能的核心技术之一，已经渗透到我们生活的方方面面。从智能推荐到语音识别，再到自动驾驶，机器学习正在以惊人的速度改变着世界。

阅读 2.2k

100赞

【机器学习与数据挖掘实战 | 商务】案例17：基于K-means和决策树的餐饮企业综合分析本案例聚焦餐饮企业综合分析，先阐述分析需求、数据状况与处理流程，接着通过K-Means进行客户价值聚类，最后利用决策树构建客户流失预测模型并分析结果。

阅读 1.1k

83赞

人工智能与机器学习从理论、技术与实践的多维对比人工智能与机器学习在核心目标、知识获取方式、数学基础和应用场景等方面存在显著差异：维度人工智能（传统）机器学习核心目标模拟人类认知全流程，实现通用智能提升特定任务性能，聚焦模式识别知识获取人工定义规则和逻辑，依赖领域专家数据驱动自动学习，依赖大规模数据集数学基础离散数学、逻辑学、符号系统统计学、线性代数、优化理论系统透明度可解释（规则链追溯）黑箱（需后验解释技术）数据依赖小规模先验知识大规模标注数据（尤其是深度学习）典型应用逻辑推理、专家系统、符号规划。

阅读 2.8k

67赞

机器学习集成学习之随机森林集成学习：通过组合多个基础学习器（如决策树、逻辑回归等）提升模型性能，典型方法包括：Bagging（如随机森林）Boosting（如AdaBoost、XGBoost）堆叠模型（Stacking），用于垃圾邮件识别，包含4500行数据，57个特征列（A列到BED列），BFD列为标签结果（0和1）。特征说明：前48个连续特征为单词频率（如makeaddress3d等），用于识别垃圾邮件关键词。后6个连续特征为字符频率（如数字12等），用于监测QQ号、手机号等敏感字符。

阅读 1.4k

33赞

作者推荐

大模型任我行: 大模型探索者，每日论文分享，追踪技术前沿！之前的几百篇论文分享都在xhs（https://www.xiaohongshu.com/user/profile/61d5aec7000000001000568c），欢迎点赞收藏！

关注

葫三生: 希冀传统文化中某些优秀数学思想遗泽也可在现代世界发光 https://www.zhihu.com/people/xia-ri-chi-5

关注

双木的木: 种一棵树最好的时间是十年前，其次是现在。

关注

万能小贤哥: 努力到无能为力，拼搏到感动自己

关注

Together_CZ: 欲戴其冠，必承其重

关注

LCG元: 企业信息数字化解决方案政务/大数据/集成/物联/门户/XC 专项系统：人事|项目|合同|发票|电签|印章|认证|营销|客服|档案|资产|知识|采购|费控|RPA|OA 等系统「一体化的解决方案」，热衷于探索数字化信息，并将理论转化为实际应用。希望能和志同道合的朋友共同交流探讨，共同进步，学习成长。技术合作请加本人wx(注明来自优快云)：renganhugo

关注

AGI大模型老王: 三年AI工作经验，现在从事AGI大模型方向，每天给大家分享干货。

关注

IT古董: 坚持不懈，努力分享！！！

关注

小白学视觉: 跟着小白一起学视觉

关注

MATLAB卡尔曼: 所有代码如运行有问题，可私信博主

关注