- 博客(315)
- 收藏
- 关注
RSS订阅原创 一个完整预测项目的落地之道：从数据到价值的实战拆解
很多预测项目的失败，在启动阶段就已经埋下祸根。问题没有定义清楚，大家就急匆匆地开始收集数据、训练模型，最后产出的东西业务方说“这不是我想要的”。因此，项目启动的第一要务，是让所有相关方对预测的目标、范围和使用方式达成共识。具体来说，你需要和需求方坐在一起，逐条确认以下问题：我们要预测的对象是什么？是SKU级别的日销量，还是品类级别的月销售额？预测的时间颗粒度和预测提前期是多少？预测结果将被用在哪个决策环节？是帮助采购下订单，还是帮助财务做预算？预测偏差的容忍度是多大？在哪个方向上更不可接受，高估还是低估。
2026-07-31 14:05:10
195
原创 预测模型的评估与选择：在数字迷宫中寻找方向
同学们，我们已经走过了从经典回归到深度学习的漫漫长路，掌握了多种预测武器的使用方法。但有一个问题始终悬在我们头顶：如何判断一个模型好不好？当你有好几个候选模型摆在那里，各自给出不同的误差数值，你该信哪一个？这一讲，我们将深入预测模型的评估与选择这个至关重要的议题。可以说，这一步决定了你之前所有辛苦工作最终是化作战报上的战功，还是沦为无人问津的实验记录。评估不只是在项目末尾走个过场，而是贯穿整个建模过程的导航系统。
2026-07-31 14:04:39
82
原创 深度学习预测：当序列遇见神经网络
在前面的几讲中，我们涵盖了从线性回归到XGBoost的经典方法路径。这些方法在处理结构化数据和中等规模的序列预测时，已经能够满足大多数业务需求。但有一类问题，传统方法处理起来始终有些吃力——那就是数据量极为庞大，且序列中的依赖模式高度复杂、跨越多个时间尺度的场景。这时候，深度学习开始展现出它的独特优势。今天这一讲，我们聚焦于深度学习在预测建模中的应用，重点讲解循环神经网络及其变种LSTM，以及近年来逐渐流行的时间卷积网络。
2026-07-31 14:03:54
230
原创 XGBoost实战：梯度提升的艺术与科学
上一讲我们提到了梯度提升的基本思想，今天我们要聚焦于它在工业界和竞赛领域最闪耀的实现——XGBoost。自2014年诞生以来，XGBoost几乎统治了结构化数据预测的舞台，无论是Kaggle竞赛还是企业级应用，它都是建模者的首选武器之一。很多同学用XGBoost用得飞起，但在遇到问题时却不知道如何诊断和调优，原因在于只知其用法而不知其原理。这一讲，我打算系统地拆解XGBoost的关键设计，并结合实战经验，梳理一套完整的调参思路和避坑指南。学完之后，希望你不仅能调出高分模型，还能在模型出问题时迅速定位根源。
2026-07-31 14:03:22
195
原创 决策树与集成学习：预测模型的非参数革命
前面三讲我们一直在经典的统计范式里打转，线性回归假设了线性关系，ARIMA假设了线性时间依赖。这些假设在某些场景下是合理的简化，但在更多真实问题中，特征与目标之间的关系充满了非线性、交互作用和分段模式。今天这一讲，我们进入机器学习的标志性方法——决策树及其集成模型。这可以说是预测建模领域的一次非参数革命，它把我们从预设函数形式的束缚中解放出来，让数据自己说话。我们先从单棵决策树讲起，理解它的核心机理和致命弱点，然后一步步走到随机森林和梯度提升，看看集成学习是如何把这些“弱学习器”拧成一股绳的。
2026-07-31 14:02:50
129
原创 ARIMA模型：时间序列预测的内功心法
今天我们要讨论的话题，可以说是时间序列预测领域的一座里程碑——ARIMA模型及其衍生体系。很多同学第一次接触ARIMA时，会被那一串术语吓住：自回归、差分、移动平均、自相关函数、偏自相关函数……看上去像是一堆数学概念的堆砌。但实际上，ARIMA的构建逻辑极其优美，它像是一套武林内功，一旦你真正理解了它，再看后来的各种时间序列模型，都能一眼看透其筋骨。今天这一讲，我争取把ARIMA的思想脉络理清楚，让你知其然也知其所以然。
2026-07-31 14:02:18
213
原创 经典统计预测：回归模型的朴实力量
上一篇文章我们搭建了预测建模的思想框架，今天开始进入具体的武器库。如果让我在所有的预测工具中选出最基础、最普适的一种，我会毫不犹豫地选线性回归。很多同学可能觉得线性回归过于简单，甚至有点土气，好像不提几句神经网络就不够高级。这种心态要不得。在工业界摸爬滚打多年，我见过太多用复杂模型把事情搞砸，最后回过头来发现线性回归加合理的特征工程就已经足够好的案例。朴素的方法，只要用得恰当，往往是最可靠的方法。这一讲，我们聚焦于以回归为核心的经典统计预测方法，包括简单线性回归、多元线性回归，以及它们走向实用的关键变体。
2026-07-31 14:01:39
202
原创 预测建模的思想基石：从观察到决策
这节课我们没有讲任何一个具体的算法，但我认为比学算法更重要的是建立正确的思想框架。预测建模是什么？它是基于数据中稳定的结构，对未来进行有条件推断的过程。这个过程里，我们必须承认模型的局限性，警惕虚假的相关，平衡偏差与方差，诚实地表达不确定性，并建立起持续学习的闭环。这些思想一旦在你心里扎根，后面无论接触到线性回归、时间序列分析、机器学习还是深度学习，你都能清楚地看到它们各自在这个框架中的位置。每一种方法只不过是在用不同的方式逼近那个隐藏的生成机制，有的简单透明，有的强拟合能力但难以解释。
2026-07-31 14:01:09
199
原创 “效率优先“——2026大模型竞争的逻辑已经变了
2026年6月到7月，大模型行业发生了一连串看似独立、实则指向同一个趋势的事件。DeepSeek联合北京大学发布DSpark推理加速框架。几乎在同一时间，阶跃星辰发表JetSpec，让大模型解码速度最高提升近10倍。腾讯混元推出Hy3的1bit量化版本，让295B参数模型单卡可跑。这三件事的共同点是：它们都不在追求"更聪明的模型"，而是在追求"更高效的智能"。
2026-07-30 15:24:01
214
原创 推理加速，大模型效率竞争的“主战场“
2026年，大模型行业正在进入一个新阶段：模型能力仍然重要，但推理效率正在成为决定Agent能否规模化落地的基础变量。这个判断的背景很清晰：当模型被Agent高频、长链路、持续调用时，真正决定体验和成本的，不只是模型能不能回答，而是它能不能以足够高的效率完成一次又一次推理。
2026-07-30 15:23:31
177
原创 量化，让大模型从“奢侈品“变成“日用品“
2026年7月14日，腾讯混元团队干了一件在一年前还不可想象的事：把一个2950亿参数的MoE旗舰模型量化到1bit，让它可以在一张96GB的推理显卡上运行。这件事的技术细节值得仔细拆解。
2026-07-30 15:22:58
165
原创 参数高效微调，从“一针见效“到“精准手术“
LoRA诞生以来，参数高效微调几乎成了大模型适配的下场标配。2026年，这个领域正在发生从"能用"到"好用"的质变。传统全量微调的门槛极高——一家初创公司想基于开源大模型打造法律文书生成工具，全量微调需要几十万元的GPU算力预算。LoRA和QLoRA等参数高效微调技术的出现，让这个问题有了性价比极高的答案。2026年，这些技术已经发展得相当成熟，成为大多数企业大模型微调项目的首选方案。但"成熟"不等于"没有进步空间"。
2026-07-30 15:22:27
149
原创 大模型评测的“信任危机“与“范式重构“
2026年，大模型评测正在经历一场深刻的"信任危机"。原因很直白：静态基准测试已经不太可靠了。数据污染、榜单过拟合、测试集泄露——这些问题让"榜单得分"和"真实能力"之间的相关性越来越弱。一个模型可能在某个基准上得分很高，但在实际应用中表现平平；另一个模型可能榜单排名靠后，但在特定任务上却出奇地好。
2026-07-30 15:21:55
162
原创 大模型安全，从“打补丁“到“长在骨子里“
2026年，大模型安全领域最核心的转变可以用一句话概括：安全不再是模型上线后的"补丁"，而是模型架构中的"基因"。这个转变的紧迫性来自一个残酷的现实——越狱攻击的成功率居高不下。安全对齐后的大模型面临两个失效模式：一方面可能被越狱攻击诱导输出有害内容，另一方面又可能过度拒绝正常查询。传统的安全方法试图在两者之间找平衡，但往往按下葫芦浮起瓢——降低越狱风险就会增加过度拒绝，反之亦然。
2026-07-30 15:21:22
223
原创 RAG的“下半场“——从“检索即服务“到“证据即推理“
检索增强生成在2026年已经不再是"要不要用"的问题，而是"怎么用得更好"的问题。RAG之所以成为大模型落地的事实标准，逻辑很简单：大模型的参数化知识有边界、有滞后、有幻觉，而RAG通过外部知识检索来补足这三块短板。一个标准的RAG系统包含索引、检索、生成三个核心流程。但问题在于，这三个流程中的每一个都还有巨大的优化空间。
2026-07-30 15:20:51
229
原创 上下文窗口的“军备竞赛“结束了？——从128K到4M，我们走到了哪里
2026年的大模型上下文窗口之争，正在从"谁更长"转向"谁更会用"。过去两年，几乎所有头部模型都在疯狂堆上下文窗口：从最早的几K，到128K成为标配，再到1M、2M甚至4M。智谱GLM-5.2上线并开源时，主打卖点就是"1M上下文，稳定支撑长程任务"——一口气阅读数百万字的长篇巨著、数百页的复杂PDF或整个中大型软件代码库。但问题是，模型真的需要处理这么长的上下文吗？或者说，窗口长度本身是不是一个被过度关注的指标？
2026-07-30 15:09:33
238
原创 拆解AI黑箱——机制可解释性如何让大模型变得“可信“
我们越来越多地将大语言模型应用于搜索、编程、内容生成和决策辅助等现实场景中。尽管每天有数百万人使用大模型，但它的问题也随之而来——有时会产生幻觉，甚至在特定情境下表现出误导或欺骗用户的倾向。在很长一段时间里，人们只能将AI看成"黑箱"：输入数据，得到结果，但无法解释中间经历了怎样的计算过程。随着模型规模和能力的不断提升，这种内部过程不可见的状态，逐渐从工程难题转变为安全与可信性方面的潜在风险。
2026-07-29 10:48:47
73
原创 多模态是“外挂“还是“灵魂“？——2026年多模态大模型的路线之争
2026年7月，WAIC一场由商汤科技首席科学家林达华主持的"基座大模型架构创新与生态合作论坛"上，五位首席科学家围绕多模态展开了一场激烈辩论。辩论的核心问题是：多模态到底只是大语言模型能力边界的延伸，还是下一代智能真正的起点？
2026-07-29 10:48:16
181
原创 大模型推理优化的“加减法“——从“无脑长推理“到“该多想时才多想“
生成式奖励模型是当前LLM推理增强的重要方向——通过Chain-of-Thought让模型在输出答案之前先走一遍推理链，从而提升复杂问题的准确率。这个方法在数学推理、代码生成等领域效果显著，但有个明显的问题：无论问题简单还是复杂，一律要求模型走完整条CoT推理链。问"1+1=？"也要先"Let's think step by step"，这在计算上是巨大的浪费。
2026-07-29 10:47:45
244
原创 算力竞赛进入“系统级“时代——超节点、光互连与国产算力的2026
2026世界人工智能大会上，算力基建、超节点、光互连成为最受关注的议题。热闹表象之下，一条主线愈发清晰：算力基础设施正从单芯片拼凑转向超节点协同。
2026-07-29 10:46:42
221
原创 具身智能的“祛魅“时刻——从翻跟头到真干活，2026年发生了什么
过去几年，人形机器人最容易被记住的是翻跟头、跳舞和展台上的精巧操作。到了2026年，产业关注点正在向后移动：机器人为什么能做出这个动作？动作数据从哪里来？模型怎样转化为本体能力？失败后由谁接管？数千台设备产生的数据，又如何回到下一轮训练？
2026-07-29 10:46:05
197
原创 从“会说话“到“会做事“——AI智能体的工程化演进与自进化之路
2026年，AI领域最核心的转变已经不再是追求更聪明的模型，而是转向可协调、可验证且能随时间持续进化的智能体操作系统。智能体技术正从演示迈向规模化生产，从"能执行、会调用工具的助手"走向"能学习、在世界中持续成长的系统"。
2026-07-29 10:45:31
186
原创 Transformer之后——2026年大模型架构的路线之争与范式突围
2026年的大模型赛道正在经历一场静水深流的架构变革。Transformer统治了AI领域近十年，但Scaling Law的边际效益递减、算力成本指数级攀升、以及更长上下文和更强推理能力的需求，正在倒逼整个行业重新审视"堆参数、堆层数"这条路径还能走多远。
2026-07-29 10:44:58
233
原创 数据可视化：图做得再炫，讲不清故事就是电子垃圾
我参加过一场数据产品发布会，台上演示的看板堪称视觉盛宴。暗色主题，荧光色渐变，数据地图上的热力效果做得跟赛博朋克电影似的，数字跳动带着粒子特效。台下掌声雷动。我旁边的一位业务负责人小声说了句：“好看是真好看，但我还是不知道这个月销售额为什么跌了。可视化工具越来越强大，D3.js、ECharts、Tableau、Power BI，门槛越来越低，做得越来越炫。但真正能辅助决策的数据可视化，少之又少。大部分可视化作品，要么在炫技，要么在偷懒，要么在故意混淆视听。
2026-07-28 14:13:53
19
原创 模型可解释性：黑盒很酷，但老板要的是安全感
有一次向高层汇报一个风控模型的进展，我上来就激情洋溢地讲XGBoost的特征重要性排序，SHAP值的蜂群图，还有LIME的局部解释。PPT翻到一半，大老板打断我，问了一句：“你就告诉我，这个模型拒绝一个人的贷款申请时，能不能给我一个让他服气的理由？我说能，SHAP值可以展示每个特征对这笔贷款被拒的贡献度，比如他的收入负债比过高贡献了多少，历史逾期次数贡献了多少。大老板摇了摇头：“我不是要一串数字，我是要一段话，一段能写进拒贷通知里、让客户看了不投诉、让监管看了不罚款的话。我愣住了。
2026-07-28 14:13:08
164
原创 推荐系统：从协同过滤到深度学习，用户只是想要点新鲜的
我手机上装过一个新闻App，用了三个月之后，推荐给我的内容就只剩下三样东西：俄乌冲突的最新进展、某科技公司又出了什么新车、以及一位钓鱼博主每天钓了几条鲫鱼。最初是我自己选的，确实点过几次。但当我看了两个月一模一样的新闻框架之后，我终于卸载了它。不是它推荐得不精准，是它太精准了，精准到把我关进了一个信息茧房，连一扇窗户都不给我留。推荐系统这些年卷得不成样子。模型从协同过滤卷到深度学习，从双塔卷到Transformer，多目标排序、强化学习、图神经网络轮番上阵。
2026-07-28 14:12:38
86
原创 异常检测：别老想把离群点干掉，那是情报
什么是异常？这个问题我问过不下二十个业务方，得到过二十种不同答案。信用卡部门说，异地大额消费是异常。运营部门说，用户突然连续登录失败五次是异常。运维说，服务器CPU占用率超过百分之九十且持续三分钟以上是异常。同一个人，在不同场景里，对异常的定义都在变。所以异常检测第一个要扔掉的想法，就是“算法能自动识别所有异常”。算法识别的是“统计上的离群”，离群和异常有交集，但绝不是一回事。一个明星发了一条微博，流量瞬间爆了，从统计上看，这条微博的互动量是极端离群值。但这是异常吗？不是，这是正常的热点传播。
2026-07-28 14:12:07
148
原创 时间序列：连明天中午吃啥都猜不准，还想预测股价？
去年有个创业的朋友找我喝茶，神神秘秘地掏出手机，给我看一个App。他说他用深度学习预测A股，回测年化收益百分之四十，准备辞职全职炒股。我看了他的模型代码，LSTM叠了三层，输入特征包括开盘价、收盘价、成交量、MACD、KDJ、RSI，还有他手动标注的“重大利好事件”哑变量。训练集从2015年到2020年，测试集是2021年上半年，预测准确率高得离谱。我只问了他一个问题：“你的训练集和测试集是怎么划分的？他说：“随机抽样啊，百分之八十训练，百分之二十测试。我当时差点把茶喷出来。随机抽样。
2026-07-28 14:10:04
187
原创 关联规则：啤酒尿布那点事儿，快被说烂了
凡是讲数据挖掘的入门课，必提啤酒与尿布。这个故事传了快三十年，几乎成了关联规则的同义词。据说沃尔玛发现年轻爸爸买尿布的时候经常会顺手拎一提啤酒，于是把这两样东西摆在一起，销量双双上涨。讲的人唾沫横飞，听的人恍然大悟：原来数据挖掘这么简单又神奇。且不说这个故事的真实性一直存疑。就算它是真的，它在当代的数据挖掘实践里也几乎是完全不可复制的孤例。真实世界的关联规则分析，远比你想象的要脏、要无聊、要被业务方不断挑战。这篇我想聊聊，当“啤酒尿布”的光环褪去后，关联规则在实际项目中长什么样。
2026-07-28 14:06:47
197
原创 聚类分析：无监督的浪漫，有监督的绝望
刚入行那阵子，我觉得聚类分析是数据挖掘里最性感的技术。不需要标签，不需要标注成本，把数据扔进去，算法自动帮你找到隐藏在混沌中的结构。这感觉就像一个考古学家拿着刷子扫开尘土，地底下浮现出远古文明的轮廓。浪漫得要命。后来被现实教育了。聚类这东西，它长得像无监督学习的招牌，用得不好就是一个高级版的随机分组器。这篇我就从几次翻车经历出发，聊聊聚类分析里那些不常被提起的脏活累活。
2026-07-28 14:04:11
165
原创 A/B测试：你跑出来的显著，可能只是老板想看的
去年冬天，我旁边工位的产品经理突然拍桌子，把咖啡杯震得咣当响。他指着屏幕上的A/B测试报告，两眼放光：“老哥你看，实验组转化率涨了百分之五，p值零点零三，显著！能上线了吧？”我探过头去瞅了一眼，实验跑了三天，样本量两边加起来不到四千，对照组转化率百分之八，实验组百分之八点四。我问他：“你这个实验最少要跑几天？”他说“我拍了七天，但现在三天就显著了啊，提前结束不行吗？”我当时叹了口气，给他画了张图，横轴是时间，纵轴是p值，第一天零点四，第二天零点一五，第三天零点零三，一条非常漂亮的下降曲线。
2026-07-28 14:03:32
206
原创 特征工程：大力出奇迹，但别把力气用错地方
2019年秋天，我接手过一个特别邪门的项目。一个电商平台的用户流失预测模型，上线三个月，AUC稳定在0.87，不算惊艳但也够用了。突然有一天，模型开始疯狂报警，预测所有人都会流失。运维排查了一圈，服务器没崩，数据管道没断，上游表也没改字段。。这个特征从用户最近一次登录时间戳里提取出来，原本取值范围是0到23。但那天所有用户的这个值都在12到14之间，模型一看见这个分布，当场就疯了。怎么回事呢？数仓的ETL任务前一天晚上挂了，早上才重新调度，所有用户的最新登录时间都被刷成了补跑任务的时间——中午十二点多。
2026-07-28 14:01:32
177
原创 数据清洗：你以为的脏，可能只是开胃菜
3σ 原则、箱线图 1.5 倍 IQR，这些统计学工具是死的。你拿它去套业务数据，能把自己套成傻子。讲个真实案例：有次做二手车价格预测，车辆行驶里程mileage有不少超过 100 万公里的。用箱线图一看，远超上须，实习生二话不说当异常值全砍了。我回来检查差点没背过气去——那些全是跑了八九十万公里的营运车辆，有几辆出租车改的二手网约车，它们的价格逻辑跟普通家用车完全不同，是市场上真实存在的交易，砍掉它们就等于把整个商用二手车市场给剔除了。
2026-07-28 14:00:51
202
原创 分割模型的工程化落地——从论文到产品，这条路比你想的长得多
这是整个系列里最重要的一篇，因为90%的算法工程师其实不知道"模型训好之后"的故事——那些在Notebook里跑出漂亮指标的工作，距离真正变成一个可靠、稳定、高性能的产品，中间隔着一条比死亡谷还宽的鸿沟。后处理的参数（比如"最小面积阈值""闭运算的kernel大小"）要跟模型本身一起做验证——后处理太强了会把一些真实的小物体误删，后处理太弱了又达不到效果。模型输出的往往是"原始概率图"或者"未处理的标签图"，直接拿去用，那毛刺、小噪点、孤岛区域能把你客户的眼睛刺瞎。——分割模型的输出边界往往是锯齿状的。
2026-07-27 11:01:19
163
原创 遥感与自动驾驶分割——大图、小目标、实时性，三座大山
那台无人机的边缘盒子只有1.5TOPS的算力，我们最后把模型压缩到了500KB的参数量，推理一帧要80毫秒——虽然精度比原始的DeepLabv3+掉了8个点，但在那种极端算力约束下，已经是"最优解"了。遥感和自动驾驶分割已经从"实验室竞技"进入了"工程化落地"的阶段。但最近几年，风向明显变了——大家更关心"在给定算力约束下的精度"、"在真实场景下的泛化能力"、"在有限标注下的学习效率"。图像上的房子、道路、农田是各种朝向的，如果你的模型只做过水平翻转的数据增强，遇到旋转45度的建筑群可能就认不出来了。
2026-07-27 11:00:32
309
原创 医学图像分割——U-Net的绝对领域，但也有一堆让你头疼的问题
nnUNet这个项目把U-Net的训练策略、数据增强、预处理、后处理全部自动化了，你扔进去一个数据集，它自动给你选出最佳的2D/3D配置、最佳的学习率和batch size，跑出来的结果在很多医学数据集上比手工调参的模型还好。模型学的是"标注员的平均意见"，但医生要的是"最符合实际解剖的边界"。在自然图像分割里，最大的类别（比如"天空"）和最小的类别（比如"行人"）的面积差距可能在几十倍。但在做医学分割的工程产品时，你必须清醒地认识到"论文里的SOTA"和"临床可用的产品"之间，差距比你想的大得多。
2026-07-27 10:59:58
254
原创 SAM和SAM2——“分割一切“到底是神话还是真功夫
它"见过"的日常物体太多了，但它没怎么见过"卫星视角下的屋顶"或者"400倍放大的细胞核"。训练方式极其"暴力"——Meta构建了一个"数据飞轮"：先用一个初始模型在公开数据集上训练，然后用这个模型去辅助标注新的图像（人机交互标得快），把新标注的数据再喂进模型训练，反复迭代，最终搞出了10亿个掩膜的"史上最大分割数据集"。模型看过的图像多样性太丰富了，各种光照、各种视角、各种物体形态、各种分割难度——它见过了"足够多"的数据，以至于"见过一次"的东西基本上等于"见过所有"了。这是SAM最大的商用价值。
2026-07-27 10:59:27
249
原创 Transformer杀进来了——从SETR到SegFormer，全局上下文才是王道
然后每一层把窗口的位置"移位"一下，让窗口之间的边界信息也能流通。ViT的核心逻辑是：把图像切成固定大小的patch（比如16x16），每个patch当作一个token，然后像处理句子里的单词一样，用Transformer的注意力机制来建模所有patch之间的全局关系。谁能在同样的数据、同样的算力、同样的延迟约束下给出更好的精度，谁就是"好模型"。如果说Swin Transformer是"用复杂的设计解决了Transformer的效率问题"，那SegFormer就是"用更聪明的简化解决了同样的问题"。
2026-07-27 10:58:49
572
原创 DeepLab与空洞卷积——不降低分辨率也能扩大感受野，这招够聪明
比如在DeepLab里，ASPP的dilation rate是6、12、18——这三个数有公约数6，但实际使用时因为每个分支的输出是独立拼接的，并没有在单一分支上堆叠多个相同dilation率，所以网格效应并不明显。这个多尺度并行的设计，让模型能同时看到"很近的上下文"（dilation=6）和"很远的上下文"（dilation=24），大大提升了分割的全局一致性。空洞卷积是在"效率"和"全局感知"之间找到了一个极佳的平衡点——它做不到100%的全局感知，但它用极低的代价实现了80%的全局感知。
2026-07-27 10:58:15
159
软件工程基于Java Web的火车票订票系统设计：SpringBoot+MyBatis实现中小规模票务管理平台
2026-06-14
软件工具Notepad++官方正版下载安装指南：Windows系统下编程专用文本编辑器部署与中文配置
2026-06-11
链表数据结构实现与应⽤实例
2026-06-11
机器学习基于XGBoost的超参数调优方法研究：分类任务中网格搜索与贝叶斯优化的实践应用
2026-06-09
【嵌入式通信】基于SPI协议的高速数据传输应用：传感器采集与屏幕驱动系统设计
2026-06-08
【编程工具优化】VS Code代码高亮自定义配置：提升语法辨识度与编码舒适性的个性化界面设计
2026-06-08
MLP神经网络实现与调参技巧
2026-06-07
软件测试基于Python的接口自动化测试框架设计：HTTP协议下高覆盖率回归测试与CI/CD集成方案
2026-06-07
基于YOLOV11 （license-plate-detection车牌检测数据集）
2026-08-09
YOLOV8+安全帽佩戴检测数据集
2026-08-09
基于YOLOV8手写汉字检测数据集
2026-08-09
【Java后端开发】高频设计模式实战应用：创建型结构型行为型模式在业务场景与框架源码中的优化实现
2026-06-26
code-master面试高频算法题总结
2026-06-22
人工智能基于Flash稀疏注意力的长文本大模型技术：中文政务金融法律文档处理与RAG信创私有化部署方案
2026-06-16
人工智能第三代轻量化大模型架构革新：Gemini 3 Flash Preview多模态统一表征与智能Agent任务规划技术前瞻
2026-06-16
人工智能基于端云协同架构的轻量化大模型技术：国产MiMo-V2.5在中文场景优化与端侧量化推理中的创新实践与产业落地
2026-06-16
人工智能Gemini 2.5 Flash Lite轻量化大模型架构优化与多模态推理性能：企业级AI高效部署实践
2026-06-16
人工智能基于OpenClaw架构的行动型AI智能体技术解析：本地化任务执行与多模型协同的办公自动化系统设计
2026-06-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人