#机器学习
共 94 篇相关文章
准确率骗了你：ML Zoomcamp模块4的ROC AUC与交叉验证实战
ML Zoomcamp模块4实战笔记：准确率0.645为何具有欺骗性？通过ROC AUC 0.732、精确率/召回率阈值扫描与5折交叉验证（std 0.007），揭示分类模型的真实表现与求解器陷阱。
量子优化新突破：学习QAOA角度，加速组合优化
量子近似优化算法QAOA的性能瓶颈在于变分角度优化。新研究用机器学习模型学习从问题实例到高质量角度的映射，单次前向传播替代经典优化器，速度提升数个数量级，并在量子硬件上验证有效性。
迁移学习突破缩放定律：岭回归达极小极大最优
最新研究证明迁移学习在岭回归中可达极小极大最优缩放定律，源正则化具有普适性，单次SGD微调即可实现最优速率，为预训练模型重用提供理论保证。
Nature新研究：机器学习突破2-6周次季节天气预报难题
Nature新研究展示机器学习如何改进2-6周次季节天气预报，突破传统预报盲区。研究团队同时提出更深层观点：未来AI的关键不只是更强模型，而是围绕模型构建能学习系统性误差、推理因果并持续校准的智能验证系统。
可解释机器学习预测高温下纤维混凝土强度
一项研究利用1204组实验数据比较八种机器学习模型预测高温下纤维增强高性能混凝土抗压强度，梯度提升与XGBoost的R²达0.903，并通过SHAP分析揭示温度是首要影响因素，配套Python图形界面实现快速预测。
AI的起源与进化：从图灵之问到机器学习
从图灵1950年提出的"机器能思考吗"，到1956年达特茅斯会议正式提出人工智能术语，本文梳理AI的起源与关键里程碑，并解析机器学习如何成为AI的核心引擎，以及预测性维护、个性化医疗等现实应用场景。
构建LLM应用前必学的五个核心概念
学习构建LLM应用前必须掌握的五个概念：机器学习基础、LLM工作原理、生成式与预测式AI的区别、提示工程技巧以及评估方法。每个概念配有动手练习，帮助开发者建立扎实直觉。
当抗癌药成为分类器：一位数据科学家的癌症治疗观察
一位身患四期癌症的数据科学家用机器学习语言解读治疗：抗癌药是分类器，身体是数据集。从混淆矩阵看化疗的精准率与召回率困境，以及抗体偶联药物的突破。
记忆化下界被推翻：后验频率给出精确修正
Feldman 记忆化下界的频率系数被证明在条件与平均形式下失效。研究给出三点反例与指数级差距，并用全样本后验概率给出精确替代，揭示原系数是 Good 精确频率公式的后验均值形式。
机器学习突破：2-6周次季节天气预报精度创纪录
机器学习方法在2-6周次季节天气预报上打破精度纪录，攻克传统数值模式长期难以应对的"预报荒漠"。本文解析其技术思路、对应急规划的价值及未来挑战。
零基础入门人工智能：从核心概念到机器学习的完整学习路径
零基础入门人工智能完整指南：从AI核心概念讲起，厘清强人工智能与弱人工智能的区别，深入对比符号学习与机器学习两种实现路径，并解析机器学习与深度学习的包含关系，帮你建立完整的人工智能知识框架。
机器学习到底怎么运作？一文讲清核心原理
机器学习到底怎么运作？本文用通俗语言解释机器学习核心原理，涵盖监督学习、无监督学习、强化学习三类范式，以及数据、训练、预测的完整流程，适合入门读者快速建立认知框架。
Credal机器学习：为风险厌恶决策提供可靠保障
Credal机器学习通过Credal集表示认知不确定性，结合新颖决策规则实现CVaR最小化，在分类、分布偏移和强化学习中可靠避免灾难性决策，同时保持预期性能。
本·阿弗莱克谈AI：从CNN到Transformer的电影特效之路
本·阿弗莱克分享自己对机器学习、Python和电影特效的理解，讲述CNN、张量、特征提取如何在视觉特效工作流中应用，以及Transformer与CNN的关系。
如何正确解读AI排行榜：避开四大陷阱不自欺
AI模型排行榜如何解读才不自欺？本文梳理数据泄露、基准饱和、评测集选择、运行间方差四大陷阱，并给出一份五项检查清单，帮你判断一个榜单名次是否值得相信。
Python机器学习模型保存与加载完全指南：joblib、pickle与Flask部署
系统讲解Python中保存与加载机器学习模型的方法，对比joblib与pickle的选型差异，演示用scikit-learn训练模型并通过Flask部署，并梳理版本匹配、相对路径等常见踩坑点。
AI检测器如何工作？揭秘AI内容识别背后的原理
AI检测器究竟如何工作？本文深入解析AI内容识别背后的原理，包括困惑度、突发性和机器学习分类，剖析其准确性、误报局限以及与查重工具的区别，帮助你负责任地解读检测结果。
Palette Walk：用K-means聚类生成户外观察卡的开源实验
Palette Walk 是一个用 scikit-learn K-means 聚类从图片提取主色、生成可打印户外观察卡片的开源 Python 原型。本文解析其技术实现、隐私设计与开放创新理念，以及它对 AI 项目边界感的启示。
