墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
567平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
1.http://www.cnblogs.com/jerrylead/archive/2011/03/05/1971867.html 2.http://www.cnblogs.com/LeftNotEasy/archive/2010/12/05/mathmatic_in_machine_learning_1_regression_and_gradient_descent.html
http://www.dotblogs.com.tw/dragon229/archive/2013/01/18/87485.aspx
从菜鸟到高手：我的Abaqus壳单元S4R、S3R、S8R选择心路历程
第一次打开Abaqus的单元库时，我被琳琅满目的壳单元类型晃花了眼。S4R、S3R、S8R、STRI65、S9R5...这些看似随意的字母数字组合，背后却隐藏着影响仿真精度的关键密码。作为一名从土木工程转行到汽车结构仿真的工程师，我花了三年时间才真正理解如何根据问题特性精准选择壳单元。这段学习历程充满试错与顿悟，今天就用几个关键案例，分享我的壳单元选择方法论。
【ML】48个机器学习开源项目链接
机器学习是当下最火热的一个主题，本篇根据Github加星数（2017年4月11日）按关注度列出了48个开源项目网络链接。其中，个别几个开源项目仅公示在其官网上，关注度设为0，列在表格最后。ID名称领域类型相关技术关注度网络资源1TensorFlow机器学习，深度学习框架C++；Python53722https://www.tensorflow.org/；https://github.com/ten...
CMap与L1000技术解析：基因表达数据在药物发现中的应用
本文深入解析了CMap（连接图）与L1000技术在药物发现中的核心应用。CMap通过构建基因表达“关系网”，实现基于模式匹配的药物重定位；L1000技术则以低成本、高通量方式生成关键基因表达数据，支撑了LINCS超级数据库。文章以CLUE平台为例，手把手演示了如何利用疾病基因表达签名逆向筛选潜在治疗化合物，并拓展了其在解析药物机制、预测副作用等多场景下的价值。
CV ML PR链接
博客链接 丕子 冒泡的崔 pluskid free mind bfcat 张重 百度搜索研发部 leftnoteeasy 大牛 K.Grauman Jianchao Yang jianbo shi Honglak Lee Pedro Felzenszwalb Alexei A. Efros Mex Welling机器学习笔记 David M. Blei
Windows安装ros2(Jazzy版本+win10/win11)-4.构建ros2结点
这个位置也是ros2搜索package以及搜索node的路径, 如果把构建好的可执行文件乱动位置的话就找不到节点了,当然如果复制一个可执行文件以及可执行文件-script.py文件, ros2也就会认为你有一个新的节点了,运行这个拷贝的可执行文件程序都是ok的。由于上一个文章给powershell7也增加了启动执行ros2的环境初始化文件local_setup.ps1, 所以我们也可以直接在vscode中运行节点, 此种方式没有经由ros2托管, 缺少其他ros2的附加能力。
激光雷达点云配准：ICP与NDT算法详解
激光雷达点云配准：ICP与NDT算法详解 ，人工智能，计算机视觉，大模型，AI，本文深入解析激光雷达点云配准的ICP与NDT算法。阐述了点云配准基础概念与评价指标，详解ICP算法原理、流程、最优变换矩阵计算、优缺点及改进版，给出Python代码示例；同样解析NDT算法的原理、流程、模型构建、优缺点、参数选择与代码示例。还对比两者在精度、效率、鲁棒性和适用场景的差异，提供算法选择建议，介绍实际应用案例、常见问题及解决方法，探讨算法发展趋势。
一文搞定ML从入门到入土（附网盘链接）
1 简介 ML是数据科学的基石，本系列将分享部分ML重要算法，从理论与代码实现两方面剖析。下文会给出传送门并分享一些相关学习资料的网盘地址。 2 传送门 概述 LR KNN DT SVM NB AdaBoost EM HMM 3 福利 链接：https://pan.baidu.com/s/1xYFcEwpP4r_sWJuztZlaEg 提取码：w4p7 ...
20_文件系统的制作 -JFFS2
JFFS2 文件系统是通过工具 mkfs.jffs2 将文件系统目录制成映像文件。制作工具mkfs.jffs2 需要编译 zhb 库和 mtd-utils，下面详细介绍其制作过程
ML常用资料链接
ML常用资料链接 1.1000题 https://blog.youkuaiyun.com/v_JULY_v/article/details/78121924 2.
6.4 实战项目：基于Agent内核构建Code Review智能体
本文介绍了一个基于Agent内核构建的智能Code Review系统实战项目。系统采用多Agent协作架构，包含代码质量分析、安全漏洞识别、性能优化建议等核心功能模块。文章详细展示了系统架构设计，采用协调器Agent管理多个专业Agent协同工作，并提供了基础Agent框架和协调器Agent的TypeScript实现代码。项目结合了AI Agent核心原理和多Agent协作机制，实现了自动化的代码审查流程，能够生成详细的审查报告，帮助开发者提升代码质量和安全性。
知识图谱构建中的数据清洗：AI原生应用高质量图谱的前提
数据清洗是知识图谱构建的核心前置环节，直接决定AI原生应用（如智能问答、个性化推荐、决策支持系统）的图谱质量与应用效能。本文以第一性原理为起点，系统解析数据清洗的理论框架、技术架构与工程实践，覆盖从多源异构数据的噪声检测到高质量知识三元组（实体-关系-实体）生成的全流程。通过层次化概念映射（专家→中级→入门）、数学形式化建模及工业级案例分析，揭示数据清洗在解决实体歧义、关系冲突、结构不一致等关键问题中的技术逻辑，并展望基于大模型的智能清洗范式演化。Completeness（完整性）
机器学习数据集链接
机器学习数据集链接 点击这里
出现 Error:Unable to access jarfile xxxx\target\nacos-server.jar 解决方法
Nacos中的 2.x执行步骤如上，如果需要安装下载1.x版本，执行该步骤之后 自动更新下载的是2.x版本 对此如果需要下载安装1.x的版本，可通过如下连接（windows版本）
机器学习识别模型链接处便于分割等
用机器学习的值预测来标记链接处，思路：1.制作训练数据。将凸起进行标记标签为2。生成csv文件来保存特征值集合。3.添加机器学习，对csv文件数据建立学习模型。学习的数据格式要求与后面要测试的数据要严格一致。4.修改模型数据文件，生成带预测的值模型。 ...
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
机器学习实战代码
https://github.com/WordZzzz/ML
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
机器学习博客链接
http://www.cnblogs.com/subconscious/
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
机器学习的所有资源链接和经验教训（十一）ML项目建议
ML项目建议 首先创建您的机器学习pipeline，然后开始思考如何调整并在以后更好地优化您的模型。 例如，如果您要创建图像分类模型，请确保您能够将数据加载到程序中，创建测试/训练矩阵，创建一个非常简单的模型（使用其中一个DL库），创建训练循环，并确保网络正在学习一些东西，你可以达到一些基线准确性。只有在完成这些步骤后，才能开始担心正则化，数据增强等问题。 太多次，当您的问题可能只是加载数...
机器学习资源链接
机器学习中的数学知识：http://www.cnblogs.com/LeftNotEasy/Berkeley大学机器学习课程：http://www.cs.berkeley.edu/~pliang/cs294-spring08/
机器学习的所有资源链接和经验教训（十四）调试ML模型
调试ML模型 当您的ML模型的准确性不够好时，您应该怎么做？ 如果您的训练精度很高但验证准确性很差，这可能意味着您的模型过度匹配训练数据。 降低模型复杂性 收集更多数据 数据增强有助于（至少对于图像数据） 老实说，只需在ML模型的这个组件中投入更多的时间/金钱几乎总是值得的。 正则化 如果你的训练准确性不够好，你可以这样。 增加模型复杂性 每层中有更多层或...
机器学习的所有资源链接和经验教训（五）ML技术讲座
ML技术讲座 民主化机器学习 - 尼尔劳伦斯 NLP的深度学习 - Richard Socher 2015年ICML深度学习小组讨论 人工智能在企业中的实际应用 使用AI来个性化医疗保健 自主驾驶CVPR 2016主题演讲 - Amnon Shashua 从文本到知识通过ML - Xavier Amatriain 用于生成图像描述的深层视觉语义对齐 深度学习理论动机 - Yosh...
机器学习项目效率提升：符号链接、硬链接与Git Reflinks实战指南
在软件开发和数据工程领域，文件系统链接是管理数据与资源的核心机制之一。其原理基于操作系统对文件存储的索引方式，通过创建指向同一数据源的多个访问路径，实现高效的空间与路径管理。从技术价值看，链接技术能显著优化存储利用率、加速数据访问并简化项目结构，是提升工程效率的关键手段。在机器学习与数据科学等数据密集型场景中，面对海量数据集、模型检查点和实验版本，合理运用链接技术尤为重要。具体而言，符号链接（Symlinks）作为灵活的路径映射工具，常用于统一数据集访问入口和环境配置；硬链接（Hard Links）通过共享
【机器学习算法模型】链接分析——PageRank(暂缺)
【ML算法模型应知应会】链接分析——PageRank
硬链接、符号链接与反射链接：机器学习数据管理的底层原理与DVC实践
在文件系统与数据管理领域，链接技术是实现高效存储与访问的核心机制。其原理是通过不同的元数据组织方式，让单个数据实体在逻辑上呈现为多个文件，从而避免物理复制带来的性能与空间开销。从技术价值看，这直接解决了大规模数据处理中的冗余存储与快速切换难题，尤其在数据版本控制、实验迭代等场景下至关重要。具体到机器学习与MLOps领域，数据科学家频繁切换数据集版本进行模型训练与验证，传统复制方式耗时耗空间，而链接技术提供了近乎瞬时的解决方案。其中，反射链接（reflink）凭借写时复制机制，在保证源数据安全隔离的同时，兼具
Vivado ML 2021 百度网盘链接资源
Vivado ML 2021 百度网盘链接资源 去发现同类优质开源项目:https://gitcode.com/ 简介 本仓库提供了Vivado ML 2021版本的百度网盘链接资源文件，方便用户快速获取相关下载链接。 文件内容 文件名称：Vivado ML 2021 百度网盘链接.txt 文件描述：该文件包含了Vivado ML 2021版本的百度网盘下载链接，用户可以直接复制链接到浏览器中下...
ML学习安排和资源链接
配套讲义：Coursera-ML-AndrewNg-Notes（推荐这个）但是这个是属于新课，所以还是先看。视频 5h，看了一点发现后面没字幕了，这个。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
419
扫一扫
