机器学习标签_2048 AI社区

机器学习

《行动认知研究综述：多模式方法、伦理考量和反馈机制》

这篇综述论文是行为识别领域的“全景地图”——它不仅告诉你“现在有什么技术”，更重要的是告诉你“为什么单模态已经不够用、为什么伦理必须从头介入、为什么注意力机制是连接感知与认知的桥梁”。对于研究者来说，它提供了从“单一分类问题”转向“多智能体群体理解”的完整路线图。

m0_74320074
1天前

 340

 6

#人工智能 #计算机视觉 #机器学习 +1
2026 AI 编程工具成本拆解：头部模型价差三倍，Kimi Code 定价实测

AIHOT榜单的价格数据揭示了一个清晰的事实：头部模型的能力在同一梯队，但价格差距显著。Kimi K3输入20元输出100元每百万Token，约为Claude Fable 5的三分之一，能力上AIHOT总榜第四、Artificial Analysis逼近头部。单位能力的成本优势是国产AI编程工具的核心竞争力。

2201_75994616
2026-08-25 20:06:25

 3

#人工智能 #机器学习
计算机毕业设计基于LLM大模型+AI智能体+机器学习的XSS漏洞智能检测系统(源码+文档+PPT+讲解)

传统规则检测速度快、可解释性强，但容易受变形和未知样本影响；单一机器学习模型能够发现统计异常，却难以直接说明异常是否属于 XSS。为解决这一问题，本系统把机器学习异常检测与 XSS 专项规则检测结合起来，同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力，形成从数据、训练、检测、解释到审计的完整闭环。

haochengxu2022
2026-08-25 19:52:33

 314

 9

#人工智能 #机器学习 #xss +2
【信息安全|网络安全毕设巅峰之作！】基于LLM大模型+AI智能体+机器学习的XSS漏洞智能检测系统(源码+文档+PPT+讲解) 计算机毕业设计

传统规则检测速度快、可解释性强，但容易受变形和未知样本影响；单一机器学习模型能够发现统计异常，却难以直接说明异常是否属于 XSS。为解决这一问题，本系统把机器学习异常检测与 XSS 专项规则检测结合起来，同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力，形成从数据、训练、检测、解释到审计的完整闭环。

haochengxu2022
2026-08-25 19:48:46

 151

 3

#人工智能 #web安全 #机器学习 +2
计算机毕业设计基于LLM大模型+AI智能体+机器学习的XSS漏洞智能检测系统(源码+文档+PPT+讲解)

传统规则检测速度快、可解释性强，但容易受变形和未知样本影响；单一机器学习模型能够发现统计异常，却难以直接说明异常是否属于 XSS。为解决这一问题，本系统把机器学习异常检测与 XSS 专项规则检测结合起来，同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力，形成从数据、训练、检测、解释到审计的完整闭环。

haochengxu2022
2026-08-25 19:50:00

 178

 7

#人工智能 #机器学习 #xss +2
【信息安全|网络安全毕设巅峰之作！】基于LLM大模型+AI智能体+机器学习的XSS漏洞智能检测系统(源码+文档+PPT+讲解) 计算机毕业设计

传统规则检测速度快、可解释性强，但容易受变形和未知样本影响；单一机器学习模型能够发现统计异常，却难以直接说明异常是否属于 XSS。为解决这一问题，本系统把机器学习异常检测与 XSS 专项规则检测结合起来，同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力，形成从数据、训练、检测、解释到审计的完整闭环。

haochengxu2022
2026-08-25 19:48:03

 394

 11

#人工智能 #web安全 #机器学习 +2
计算机毕业设计基于LLM大模型+AI智能体+机器学习的XSS漏洞智能检测系统(源码+文档+PPT+讲解)

传统规则检测速度快、可解释性强，但容易受变形和未知样本影响；单一机器学习模型能够发现统计异常，却难以直接说明异常是否属于 XSS。为解决这一问题，本系统把机器学习异常检测与 XSS 专项规则检测结合起来，同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力，形成从数据、训练、检测、解释到审计的完整闭环。

haochengxu2022
2026-08-25 19:47:29

 193

 6

#人工智能 #机器学习 #xss +2
AI、机器学习与深度学习到底在讲什么

AI 是一个目标，ML 是达成目标的主流方法，DL 是 ML 里效果最好的一类算法，而大模型是 DL 在数据和参数规模放大之后的产物。

雪中看雪
2026-08-25 19:41:29

 514

 14

#人工智能 #机器学习 #深度学习
AI能不能自动给配方？当DOE束手无策，当正向ML陷入瓶颈：你的下一阶段研发必须引入贝叶斯优化

文章摘要：本文探讨了AI在材料配方研发中的应用路径，指出"AI直接给配方"的逆向方案存在局限性，提出"正向预测+逆向优化"的闭环方法。正向预测通过历史数据训练模型预测性能，逆向优化则利用贝叶斯方法推荐实验方向。两者结合形成迭代优化：定义搜索空间→初始建模→逆向推荐→结果回流更新模型。该方法已在电池电解液等研究中验证有效性，能显著减少低效实验。实施需配套数据治

 Lab_AI
2026-08-25 19:35:31

 325

 5

#人工智能 #深度学习 #机器学习
大模型本地部署神器的瘦身进阶原理，就这两招？

想本地跑大模型却显存告急？llama.cpp 的量化优化算法藏着一门精妙的平衡艺术：混合精度加双重量化，又瘦又精。凭啥又轻又能打？咱们来一探究竟！#llama.cpp #大模型量化 #Q4_K_M #Ollama #大模型本地部署 #模型压缩 #混合精度 #量化原理 #INT4量化 #本地大模型 #权重优化 #知识分享 #原理 #人工智能 #深度学习

 蛋先生DX
2026-08-25 19:30:00

 286

 13

#语言模型 #人工智能 #深度学习 +2
面试官让我现场用 AI 改一个真实 bug——他打断我的 3 个理由

AI 没有让前端面试变简单，反而把门槛从「记忆」抬到了「判断」。以前背八股能混过去，现在面试官一句「你打开 AI 改一下」，立刻就能看出你是真的懂，还是只会复制粘贴。如果你也在准备这类面试，不妨先拿自己项目里的一个真实 bug 练一遍上面的 6 步——练的不是代码，是你在 AI 面前的判断力。练的时候最好像面试那样边做边讲，很多时候你不是不会，而是讲不出来。你在面试里遇到过「允许用 AI」的环节吗

 Kyrie的前端进阶之路
2026-08-25 19:08:00

 289

 3

#人工智能 #bug #机器学习 +2
后台AI上下文污染巡检与无感拦截：从“被动挨骂”到“主动防漂”

用户与AI“吵架”的场景，本质上是AI服务质量的失控。而解决失控的最佳方式，不是在失控后救火，而是在失控前预防。这套后台AI上下文污染巡检与无感拦截系统，就是AI服务的“质检员”——它不直接面对用户，但它确保每一个输出到用户面前的回答，都是准确、相关、符合当前语境的。它让AI从“偶尔靠谱”走向“始终可靠”。这不仅是技术的进步，更是对用户的一种尊重——尊重用户的时间，尊重用户的意图，尊重用户选择与A

小玮看世界
2026-08-25 18:27:10

 787

 19

#人工智能 #机器学习
GEO 优化实操系列 · 第 2 步 | 诊断现状：看看 AI 现在怎么说你

本文是「GEO 优化实操系列」的第 2 篇。第 1 篇我们完成了对齐需求——把公司的身份、联系方式、介绍与资产在元鉴平台上备齐。今天进入第 2 步：诊断现状，看看 AI 现在到底是怎么说你的。先问一个扎心的问题：你知道 AI 现在是怎么描述你的公司的吗？或者说你有时常在AI应用中搜索过自己的公司吗？大致有以下两种情况。这就像你的公司在 AI 世界里有一个"公众形象"，但这个形象是好是坏、是准确还是

 元构场GEO
2026-08-25 18:09:47

 338

 11

#人工智能 #大数据 #机器学习 +3
仙人掌品种类型检测数据集VOC+YOLO格式1991张10类别

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["baijiuguo","baixing","chunqiuyu","feiguangwan","feimudan","guanghongqiu","hongshedan","xiangyaqiu","xuebaiqiu","yuhuaqiu"]对应中文类别名：["白鸠球", "白星", "春

 FL1623863129
2026-08-25 18:04:49

 85

 1

#机器学习 #人工智能
RAG实战笔记（二）LangChain / LlamaIndex 框架入门

温馨提示：结合资源学习效果更加！配套代码路径：src/qa_chain.py、src/retriever.py。详见项目文件资源csdn平台地址：csdn资源--“新手可入门，一套可运行、可配置、可二次开发的私有知识库问答系统完整源码 + 教程笔记 + 工具脚本”资源文件目录展示项目名称:从零搭建一套完整的 RAG 私有知识库问答系统，下面我以此作为示例进行分析学习。

GreenHands495
2026-08-25 18:01:17

 311

 16

#人工智能 #前端 #机器学习 +1
RAG实战笔记（一）RAG 技术原理与架构拆解

RAG（检索增强生成）是一种结合检索与生成的技术，通过先检索私有知识库再生成答案，解决大模型幻觉问题并实现知识热更新。其架构分为6层：数据源层（多格式输入）、切片层（语义分块）、向量存储层（嵌入向量化）、召回层（多路检索融合）、重排层（精排优化）、生成层（答案合成）。典型优化策略包括调整分块大小、多路召回融合、持久化索引等。该技术能有效提升回答准确性，同时提供可追溯的引用来源。

GreenHands495
2026-08-25 17:57:06

 871

 35

#人工智能 #机器学习 #深度学习 +1
情感自媒体创作工作流、大纲Skills经验分享，附核心提示词和代码

还有一点必须要说明一下，AI输出的内容是初稿，还需要人工去走读以及核对内容，你要进行3遍处理，并非是写不出内容，是根本没有弄明白情感内容的基本逻辑，最终发布了很多内容，但是数据表现不好。我花了差不多一个月的时间去测试，踩了很多坑，构建了一套能够稳定产出稿件的工作流程，我把自己写过的十篇效果好的文章内容提供给AI，让它去总结用词、句式以及风格结构，使用一段固定的提示语句让AI去探寻选题，通过这样的方

 webscanscan
2026-08-25 17:46:39

 157

 5

#媒体 #人工智能 #机器学习
门把手和门状态检测数据集VOC+YOLO格式6748张14类别

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["door","door-closed","door-handle","door-handle-pull","door-knob","door-open","door-puller","folding-door","lever-handle","push-pull-handle","slide

FL1623863129
2026-08-25 17:46:38

 128

 3

#机器学习 #人工智能
Agent项目来袭！黑马《智链云途》重磅发布！

黑马《智链云途》正是在这样的背景下研发而来：以真实物流业务为载体，将传统软件工程+大模型应用+AI智能体+AI预测+工程化落地融合到一个企业级项目中。

黑马程序员官方
2026-08-25 17:33:38

 225

 6

#人工智能 #机器学习 #tensorflow
从决策树到因果森林：树模型、随机森林与可解释机器学习的完整学习路线

从基础CART讲起，带你掌握随机森林全套建模流程，再往深走六个方向：可解释AI（SHAP）、异常检测（孤立森林）、极值建模（分位数RF）、不确定性量化（BART）、因果推断（因果RF）、空间异质性（地理加权RF）。随机森林刚好卡在中间——能预测，也能解释。学完你会发现，随机森林不只是个预测工具，更是拆解复杂系统的显微镜。、异常值识别以及时间序列的处理。回归树模型推广：装袋树、袋外。十一：用贝叶斯可

 梦想的初衷~
2026-08-25 17:32:28

 214

 9

#机器学习 #随机森林
消防设施检测数据集VOC+YOLO格式1444张8类别

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["baiseyuanding","baojingchufaqi","fanghuotan","jingling","miehuoqi","miehuoxitongbiaozhi","shanguangdengqiu","xiaofangchukou"]对应中文类别名：["白色圆顶", "报警触

 FL1623863129
2026-08-25 17:31:57

 128

 8

#机器学习 #人工智能
【主讲嘉宾更新、成都IEEE出版】2026 人工智能、信息物理系统和智能计算国际学术会议（ICAICI 2026）

【主讲嘉宾更新、成都IEEE出版】2026 人工智能、信息物理系统和智能计算国际学术会议（ICAICI 2026）

leisigoyle
2026-08-25 17:22:25

 196

 4

#人工智能 #机器学习 #算法 +2
RAG 到底是怎么工作的？一文彻底搞懂 RAG 原理与完整流程

实际系统不会把所有知识都返回。100万条 Chunk不可能全部交给大模型。Top-KTop-K = 5也就是：找出最相关的 5 个知识片段。用户问题↓↓Top 5↓Chunk 12Chunk 893Chunk 1024Chunk 2048Chunk 9999RAG││ │↓ ↓【知识库构建】【用户问答】│ │↓ ↓PDF/Word 用户问题↓ ↓文档解析 Query处理↓ ↓↓ ↓↓ ↓↓ ↓↓

我有满天星辰
2026-08-25 17:11:40

 213

 4

#人工智能 #机器学习 #算法
城管街头管理占道广告垃圾店外经营检测数据集VOC+YOLO格式856张5类别

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["baolulaji","dianwaijingying","huwaiguanggao","jietoutanfan","zhandao"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件

 FL1623863129
2026-08-25 17:08:17

 136

 7

#机器学习 #人工智能
FDE vs 解决方案架构师：AI落地背后的两大关键角色！

FDE 与解决方案架构师的核心差异解析前沿部署工程师（FDE）和解决方案架构师（SA）虽在AI落地场景中常被混淆，但二者职能存在本质区别：角色定位：SA是售前技术顾问，负责将客户需求转化为技术方案（如架构设计、集成规划），交付物以文档为主；FDE是实施专家，需驻场客户现场调试模型、解决生产问题，直接对系统上线效果负责。技能侧重：SA需技术广度，擅长多领域协调；FDE需工程深度，能独立处理GP

程序员王饱饱
2026-08-25 16:55:49

 148

 3

#人工智能 #机器学习 #语言模型 +1
智慧物流快递包裹损伤检测数据集VOC+YOLO格式1200张4类别

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["baoguo","kaixiang","xiangzi","xiangziposun"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)对应中文类别名：["包裹", "开箱", "箱子"

FL1623863129
2026-08-25 16:52:57

 174

 7

#机器学习 #人工智能
Function Calling 下一步：MCP 协议与 AI 工具生态

Function Calling 教会了模型「如何调用」，而 MCP 正在定义模型「如何连接」。前者是单点能力，后者是生态协议。对于开发者来说，现在是最好的切入点：把团队高频使用的内部能力封装成 MCP Server，既能立即在 Claude、Cursor 等支持 MCP 的工具中受益，也为未来的 Agent 化改造提前布局。从「写 JSON Schema 描述函数」到「发布一个可被任意 AI 应

 2601_96493715
2026-08-25 16:48:31

 299

 2

#人工智能 #大数据 #机器学习 +2
编程零基础者指南：如何用 AI 工具迈出编程第一步

如果你从未写过代码，看到“编程”两个字就有点发怵，那么这篇文章就是为你准备的。过去，零基础学编程通常意味着：买一本厚厚的基础语法书、反复配置复杂的环境、在报错信息里迷路，最终因为“卡在第一步”而放弃。很多人不是学不会，而是还没真正开始，就被“安装环境”“看不懂文档”“找不到人问”这三座大山劝退了。但现在情况完全不同了——AI 工具可以帮你解释概念、生成代码、排查错误，甚至陪你一步步完成一个小项目。

2601_96492900
2026-08-25 16:34:05

 172

 2

#人工智能 #学习 #机器学习 +2
做市场调研，AI 工具该怎么选：从资料检索到报告交付的完整工作流

一份可执行的市场调研至少要回答五个问题：调研服务于什么决策，覆盖哪个地区和时间范围，需要哪些来源，最终交付什么文件，以及哪些结论必须由人工确认。决策问题：某款 AI 会议硬件是否值得进入国内中小企业市场；研究范围：指定地区、时间窗口、目标客群和价格带；分析维度：市场信号、竞品定位、用户痛点、渠道、风险与待验证假设；来源要求：优先使用厂商官网、官方公告、监管信息、研究机构原始报告和可追溯采访；交付物

 ILovework_010203
2026-08-25 16:04:10

 3

 1

#人工智能 #数据分析 #jupyter +2
销量预测2025—2026：技术演进、实证发现与系统架构的系统性综述

Timer-S1的意义在于证明了MoE架构在时序领域的可行性——通过稀疏激活，用较少的激活参数实现了超大模型的建模能力。值得注意的是，Toto 2.0在预训练阶段完全基于可观测性指标和合成数据训练，却在通用基准上领先，这证明了合成数据在时序预训练中的巨大潜力。在Solar-Energy数据集上，ms-Mamba以更少的参数、更少的内存和更少的计算量超越了S-Mamba。模型层面的元回归分析（基于5

阳明山水
2026-08-25 16:02:04

 171

 5

#人工智能 #机器学习 #深度学习 +2
模型推理成本暴跌85%之后：为什么你的AI项目反而更贵了？

2026年8月，xAI发布Grok 4.6，以85%的价格折扣实现了与Fable 5 Max相当的基准性能。模型推理成本的大幅下降无疑是整个行业的里程碑事件，但它也制造了一个危险的认知盲区——当所有人都在为更便宜的token欢呼时，很少有人停下来问一句：AI项目的总成本结构，正在发生什么变化？本文从实际工程经验出发，拆解模型降价背后的成本转移逻辑，并结合具体案例与代码演示，探讨如何在这场隐性博弈中

 AntsData
2026-08-20 14:19:32

 628

 23

#人工智能 #数据库 #大数据 +2
好用还专业！2026年口碑不错的降AI率网站盘点

论文送审前查了一遍AI疑似率，直接标红一片，导师消息发过来问“这部分是你自己写的吗”——这种场景这两年越来越常见。2026年高校对AI生成内容的检测标准持续收紧，降AI率已经从“可选项”变成了不少学生的“必选项”。市面上号称能降AI率的网站不少，但真正好用又专业的其实就那几个。这篇就按实际体验，把口碑比较稳的几款梳理一遍。降AI率这件事，先别指望“万能药” 先说句实在话：降AI率工具没有包治百病

 Ai学术大佬
2026-08-18 15:01:03

 15

#人工智能 #机器学习
AI 写代码清空了我 55KB 的核心文档：甘！！！！

本文复盘了作者因使用AI生成Python脚本修改重要Markdown文档时，因代码缺陷导致文件被清空的事故。关键错误在于脚本使用'w'模式直接打开文件进行读写，导致文件瞬间被截断。文章揭示了AI存在的"虚假完成"问题，并提供了系统性的解决方案：1) 在系统提示词中强制禁用危险操作；2) 实施读写分离模式；3) 操作前备份文件；4) 写后校验内容。作者强调必须通过规范约束AI行为，对重要文件修改应采

 Java——>
2026-08-14 16:44:15

 178

 3

#人工智能 #机器学习
国产通用前后处理软件CAxWorks.PreSys 2026 R2：从“工具”到“AI协作伙伴”的质变

2023年，戴西软件（DAICY）整体收购PreSys及相关产品的全球知识产权与研发团队，延续国际一流技术水准的同时，完成国产化蜕变，实现源代码级自主可控。CAxWorks.PreSys 2026 R2，承载着40余年的技术积淀，以全新的国产身份，借助AI深度融合、BatchMesher自动化、Python二次开发等核心优势，正将仿真工程师从繁琐的手动操作中解放出来。原生CPython嵌入，开放完

 戴西软件
2026-08-14 16:43:39

 199

 7

#人工智能 #大数据 #机器学习 +4
2026最新｜世界模型底层原理、落地场景与产业现状全解读

长期看，当"LLM 大脑"与"世界模型躯体"真正融合，AI 才第一次有可能从屏幕里走出来，成为能在现实世界里干活的伙伴。NVIDIA、Google DeepMind、Meta、OpenAI、李飞飞的 World Labs，以及腾讯、阿里、蔚来、小鹏、Momenta 等中国玩家，全部下场。世界模型不是又一个被炒热的概念，而是 AI 从"处理文字图像"走向"理解真实物理世界"的关键一步。讲完"好事"，

龙腾亚太
2026-08-14 16:10:32

 459

 9

#人工智能 #深度学习 #机器学习
准大二学生从0开始学AI——机器学习Day21

监督学习学的是**正常与异常的边界**，见过的异常类型抓得准，但**全新的异常类型可能被划进正常**。算法先**猜**一组特征 → 学用户参数 → 再用参数**反过来修正特征** → 往复迭代，"协同"= 一群用户一起打分的行为互相印证，把特征和口味都逼出来。"正常的多就只学正常的，正常以外的全为异常"。- **#115 使用每项特征（基于内容推荐）**：给每部电影定义特征 x（如浪漫程度、动作程

 AR-26710-
2026-08-13 16:24:47

 480

 8

#机器学习 #人工智能
基础概念：基座是什么（Base Model ）

下面结合你一直在看的 Qwen、Llama、GLM、Ollama、Agent、Function Calling 把概念拆透。基座（Base Model / 预训练基座）：只经过海量文本预训练、没有针对 “对话” 微调的原始大模型。我们日常聊天用的模型，是基座二次加工后的成品。① 基座 Base Model。1、两个核心名词区分。

(轻舟已过万重山)
2026-08-11 08:49:28

 400

 12

#人工智能 #深度学习 #机器学习
Sonnet 5.5大泄露！对标DeepSeek，新一代性价比之王

Anthropic 的最新 Sonnet 5.5 模型被爆出已经箭在弦上，内部代号「Fennec」（一种沙漠狐），爆料称大概率下个月发布。Anthropic 和 OpenAI 的竞争愈发白热化。自从 DeepSeek V4 Flash 带着超级性价比之王的身份入局之后，海外大厂似乎没有一个坐得住的。Anthropic 的最新 Sonnet 5.5 模型被爆出已经箭在弦上，内部代号「Fennec」（

模型启动机
2026-08-10 13:24:02

 167

 5

#机器学习 #运维 #人工智能 +3