01. 机器学习基础概论
机器学习核心概念、三大范式、模型评估指标、过拟合与正则化、特征工程入门
category
ai
共 143 篇文章。
AI/ML 人工智能与机器学习实战
人工智能正在重塑软件开发与商业决策的每个环节。本专题系统覆盖传统机器学习、深度学习、自然语言处理、计算机视觉与推荐系统，从监督/无监督学习算法原理、神经网络与 CNN/RNN/Transformer 架构、BERT/GPT 大语言模型应用开发，到特征工程方法论、RAG 检索增强生成架构与评估、LoRA/QLoRA 大模型高效微调、向量数据库选型与检索优化、模型评估与基准（LLM-as-Judge）、模型压缩（量化/剪枝/蒸馏）、时序预测实战、TorchServe/Triton 推理服务化部署，以及 MLflow/DVC 实验管理、CI/CD for ML 的 MLOps 全流程工程化实践，为 AI 工程师提供从算法研究到生产落地的完整能力图谱，并扩展 LLM 推理优化（KV Cache/PagedAttention/连续批处理/量化/投机解码）、分布式训练（DDP/FSDP/ZeRO/混合精度/断点续训）、数据标注与合成数据（主动学习/数据飞轮）、MLOps 治理与可复现（模型注册/漂移监控/金丝雀发布）、Embedding 深入（对比学习/双塔架构/难负样本）与类别不平衡/异常检测实战（SMOTE/Focal Loss/隔离森林），并延伸图神经网络（消息传递/GCN/GAT/GraphSAGE/大图采样）、语音与音频（ASR/TTS/流式识别/评测）、强化学习（MDP/DQN/PPO/Actor-Critic 与 RLHF）、提示工程与上下文工程（few-shot/思维链/结构化输出/上下文压缩）、实验追踪与模型注册（MLflow/W&B/超参搜索）与因果推断（DAG/倾向得分/DID/因果 ML），并覆盖扩散模型（DDPM/DDIM/Latent Diffusion/条件控制）、智能体记忆与上下文工程（记忆分层/检索与遗忘/上下文压缩）、大模型护栏与安全工程（提示注入/越狱检测/工具沙箱）、混合专家架构（门控路由/负载均衡/容量因子）、视觉 Transformer 与自监督预训练（ViT/Swin/MAE/DINO）与联邦学习（FedAvg/通信压缩/安全聚合/差分隐私）。
机器学习的学习计划
为有编程基础的学习者设计 12 个月机器学习学习计划，覆盖数学基础、Python、经典算法、深度学习、项目实践、工具选择、评估方法和求职作品集。