- 博客(560)
- 收藏
- 关注
RSS订阅
原创 【人工智能】人工智能的数学基础
人工智能（AI）的学习路线通常分为几个阶段，涉及数学基础、编程技能、机器学习、深度学习以及相关工具的掌握。本文是对数学基础部分的整理和总结，目前不断学习整理更新中.....
2024-11-12 10:43:43
384
原创 【机器学习】机器学习中用到的高等数学知识
机器学习是一个跨学科领域，涉及多种高等数学知识。掌握这些高等数学知识可以帮助理解机器学习算法的工作原理和实现过程。在实际应用中，建议结合编程实践，如使用 Python 中的 NumPy 和 SciPy 库进行线性代数和数值计算，使用 scikit-learn 进行统计分析和机器学习建模。通过理论与实践相结合，能够更深入地理解机器学习的核心概念和应用。
2024-11-07 09:38:28
830
原创 人工智能学习路线
人工智能学习的过程是循序渐进的，先打好数学和编程基础，然后逐步深入机器学习和深度学习，最后通过实际项目和工具框架的使用巩固知识。
2024-10-30 14:08:07
894
1
原创 【第二章:机器学习与神经网络概述】03.类算法理论与实践-(3)决策树分类器
决策树是一种基于树形结构的分类/回归模型，具有可解释性强、适应多种数据类型的特点。其核心包括节点划分（使用信息增益、基尼系数等准则）和剪枝技术（预剪枝与后剪枝）以提升泛化能力。决策树易受噪声影响导致过拟合，可通过限制树深、集成学习等方法优化。Python中sklearn库提供了便捷的实现，支持可视化树结构和特征重要性分析。典型应用场景包括分类任务（如鸢尾花数据集），但需注意其稳定性不足的缺点，常需结合随机森林等集成方法改进。
2025-06-29 10:31:50
139
原创 AI 时代网络安全的机遇与挑战
AI时代网络安全机遇与挑战并存。一方面，AI赋能安全检测智能化（威胁狩猎、UEBA）、运营自动化（SOAR+LLM）、软件审计和模型安全网关建设；另一方面，AI也被攻击者用于自动化社工攻击、Deepfake伪造和恶意代码生成，同时大模型自身存在Prompt注入、数据泄露等风险。构建下一代安全体系需遵循可观测、可控、可治理原则，建立模型防火墙、数据溯源机制和AI驱动的安全运营。未来企业需将AI系统纳入风控体系，推动模型审计与安全标准结合，构建感知+解释+自愈的安全能力。
2025-06-29 10:07:19
371
原创 OceanBase 在 AI 场景实践并落地
OceanBase在AI场景中的实践应用覆盖数据处理、AI集成与企业落地三大领域，展现出多维度技术优势。在数据治理方面，其强一致性分布式架构支持10TB级训练数据管理；作为AI Agent系统的知识存储层，可稳定处理千级并发交互数据；与向量数据库协同构建混合RAG系统时，实现结构化元数据与向量检索的高效结合。此外，通过NL2SQL转换能力支持智能数据分析，并具备金融级多租户隔离、细粒度权限控制等安全特性。
2025-06-28 14:58:10
652
原创 MCP-Proxy：开发多LLM & 多MCP 支持并安全访问MCP Server的秘密
MCP-Proxy作为大模型接入平台的关键中枢，统一多厂商模型（如OpenAI、DeepSeek等）的API接入，提供安全路由、权限控制和资源隔离。其核心能力包括：多模型路由配置、Token安全管控、多租户隔离、统一请求格式转换以及安全通信保障。该代理网关可实现异构模型兼容、动态请求分发、全链路审计和成本统计，是企业构建可控可信LLM基础设施的重要组件，既能隐藏后端实现差异，又能提供安全边界防护和智能调度能力。
2025-06-28 14:53:56
737
原创 Agent 在智能营销场景下的应用：从规则驱动到智能协同
大语言模型推动的Agent架构正在重塑智能营销，通过感知、决策、执行和反思能力实现内容生成、用户互动、广告投放等场景的智能化。营销Agent分为内容生成、用户互动等类型，典型应用包括自动文案创作、智能客服、投放策略优化等。技术架构从单体向多智能体协同演进，需解决数据隐私、成本控制等挑战。未来Agent将从工具执行者升级为"营销合伙人"，推动营销系统向目标达成型转变，形成策略生成-执行-评估闭环。
2025-06-27 14:31:39
796
原创 NL2SQL（Natural Language to SQL）优化之道：提升准确率与复杂查询能力
NL2SQL技术作为连接自然语言与数据库的桥梁，关键在于提升准确性、完整性和效率。当前面临语义偏差、schema理解不足、SQL语法错误等核心挑战。五大优化策略包括：1）提供结构化schema上下文；2）构建多轮Prompt链+自校验机制；3）采用示例驱动学习；4）结合RAG增强知识库；5）建立执行验证闭环。实践推荐使用GPT-4等模型配合LangChain工具链，并通过精确匹配、执行一致性等指标评估效果。未来将向多模态查询、可视化生成等方向发展。
2025-06-27 14:24:08
841
原创 5维定制，一键生成：AI 如何革新前端组件开发
本文探讨了AI如何通过“结构、样式、行为、数据、可视化交互”五个维度革新前端组件开发流程。借助大语言模型，开发者仅需自然语言描述即可一键生成组件结构、样式逻辑及交互行为，并支持数据对接和可视化预览。文章还介绍了v0、LangChain、Storybook等AI组件开发工具，展望了前端开发从“写组件”走向“讲出组件”的未来趋势。
2025-06-26 10:39:31
543
原创 AI 时代的开源：重塑技术边界与创新生态
开源已成为AI时代技术创新的核心驱动力，从Transformer到ChatGPT的开源浪潮推动了大模型发展。开源不仅加速算法创新和数据民主化，更构建了包含模型参数、推理引擎等在内的全栈生态系统。当前呈现出三大趋势：小模型实用化、多模态开源和应用层开源。尽管存在落地复杂度高、训练成本大等挑战，开源社区通过协作不断降低技术门槛。开发者可通过微调模型、搭建应用系统等方式参与这场"开发者革命"，让AI技术真正实现普惠大众。
2025-06-26 10:28:45
931
原创 DeepSeek-V3 私有化部署配置方案（以 vLLM / FastDeploy 为主）
本文介绍了DeepSeek-V3私有化部署方案，推荐使用vLLM或FastDeploy框架在A100/H100等GPU设备上部署，支持高并发推理和API服务。vLLM方案适用于OpenAI兼容接口的快速部署，FastDeploy方案更适合异构环境。部署流程包括环境配置、模型下载、服务启动等步骤，并提供性能优化建议（如GPU利用率调节、负载均衡方案）。文档还包含LangChain集成方法和Docker打包示例，适用于私有客服、代码分析等企业应用场景。
2025-06-25 11:16:20
543
原创 深入解读 DeepSeek-V3 架构及落地的挑战
DeepSeek-V3作为第三代开源大模型，实现了236B参数的混合专家架构(MoE)，采用Top-2路由机制，仅激活21B参数即可完成推理，显著提升了计算效率。该模型在中文任务表现优异，具备完整开源生态和商用授权，但实际落地仍面临四大挑战：MoE部署复杂度高、路由负载不均衡、精调成本大及业务适配性问题。针对这些问题，建议采用DeepSpeed-MoE等专业推理框架，结合路由平衡优化和LoRA精调策略。在文档生成、智能客服等场景表现突出，未来将向多模态、企业级定制等方向演进。
2025-06-25 11:10:04
764
原创 自定义你的 AI 项目文档系统——基于开源 LLM + LangChain + VSCode 插件构建
本文介绍了构建本地AI文档助手系统的完整方案，通过开源大模型(Llama/DeepSeek等)、LangChain框架和VSCode插件实现代码智能文档化。系统包含四大模块：代码解析层提取函数信息，LangChain构建文档生成链，Flask/FastAPI提供API服务，VSCode插件实现交互界面。该方案支持私有部署，无需依赖OpenAI，具备数据安全、多模型兼容、扩展性强等特点，可实现"选中代码→自动生成文档的流畅体验。文章详细提供了模型部署、提示词设计、API开发和插件集成的具
2025-06-24 12:01:03
1579
原创 如何让AI成为项目文档专家：DeepWiki 背后的知识提取机制揭秘
本文探讨了AI在项目文档生成领域的应用，重点介绍了DeepWiki系统。该系统通过结合LLM和自动知识提取技术，将源代码转化为结构化的知识维基。核心流程包括代码解析、语义分析、知识图谱构建和自然语言生成四个环节，实现了对代码语义的深度理解。文章还提供了简化的实现示例，展示如何通过AST解析和LLM生成文档内容。尽管AI文档系统面临代码意图理解、性能优化等挑战，但其自动更新、智能联动的特性预示着"你写代码，AI写文档"的未来协作模式。DeepWiki的知识提取机制为这一愿景提供了关键技术支
2025-06-24 11:14:31
872
原创 【第二章:机器学习与神经网络概述】03.类算法理论与实践-(2)朴素贝叶斯分类器
本文介绍了朴素贝叶斯分类器的核心概念与应用。该模型基于贝叶斯定理，通过特征条件独立的朴素假设简化计算，适用于文本分类等任务。文章详细阐述了贝叶斯定理基础、模型训练预测流程、拉普拉斯平滑处理方法，以及高斯、多项式和伯努利三种常见变体。通过Python示例展示了sklearn的实现过程，并分析了模型的评价指标。朴素贝叶斯具有计算高效、简单易用等优点，但也存在特征独立性假设过于理想化等局限。该模型在文本分析等领域仍具有重要应用价值。
2025-06-23 21:17:27
460
原创 【第二章:机器学习与神经网络概述】03.类算法理论与实践-(1)逻辑回归（Logistic Regression）
本文介绍了逻辑回归的核心理论与实践。逻辑回归虽名为回归，实为二分类算法，通过Sigmoid函数将线性组合映射为(0,1)区间概率值。重点阐释了Sigmoid函数特性、对数损失函数构造原理以及梯度下降优化方法。文章包含Python代码示例，通过sklearn实现分类边界可视化，并总结了该算法的优势（简单高效、概率输出）与局限性（线性假设、需扩展多分类）。逻辑回归广泛应用于垃圾邮件识别、医疗诊断等二分类场景。
2025-06-23 21:03:22
763
原创 【第二章:机器学习与神经网络概述】02.降维算法理论与实践-(4)t-SNE（t-Distributed Stochastic Neighbor Embedding）算法
t-SNE是一种高效的非线性降维算法，主要用于高维数据可视化。它通过计算样本间的相似概率，在低维空间保留原始数据结构。算法基于KL散度优化，使用学生t分布建模低维相似度。核心参数包括perplexity（控制邻居数量）、学习率和迭代次数。Python实现示例展示了手写数字的2D可视化效果。t-SNE擅长揭示局部结构但不保留全局特征，适合探索性分析但不适用于后续建模。相比PCA等线性方法，t-SNE在可视化效果上更具优势，但计算复杂度较高。使用时需注意参数调整和结果可重复性问题。
2025-06-20 16:17:34
411
原创 常用绘图工具网站推荐合集：打造高效可视化表达力！
在知识整理、流程梳理、架构设计、原型设计等讲解教学中，一张清晰的图远胜千言万语。本文整理了一批高效实用的在线绘图工具，涵盖流程图、思维导图、架构图、手绘风格草图、原型设计与 UI 协作等各种场景，助你在视觉表达上更进一步！
2025-06-20 15:21:36
548
原创 【第二章:机器学习与神经网络概述】02.降维算法理论与实践-(3)多维尺度分析（Multidimensional Scaling, MDS）
本文介绍了多维尺度分析(MDS)这一无监督降维方法，其核心是通过保留样本间距离关系将高维数据投影到低维空间。文章详细阐述了MDS的基本原理、数学实现步骤及其与PCA/LDA的区别，并提供了Iris数据集的Python应用实例。MDS适用于数据可视化探索和保留相似性关系的降维任务，用户可根据需求选择2-3维进行展示或选取解释误差最小的维度。文章还给出了完整的代码示例，展示了如何用MDS对Iris数据集进行二维可视化呈现。
2025-06-20 15:15:45
474
原创 【第二章:机器学习与神经网络概述】02.降维算法理论与实践-(2)线性判别分析（Linear Discriminant Analysis, LDA）
本文介绍了线性判别分析（LDA）的核心理论与应用。LDA是一种有监督的降维方法，通过最大化类间距离和最小化类内距离来提升分类性能。关键概念包括类内散度矩阵（衡量类内样本紧密程度）和类间散度矩阵（衡量类别差异）。文章对比了LDA与PCA的差异，指出LDA更适用于分类任务，并提供了使用Iris数据集的Python实现示例。LDA在图像识别、文本分类等领域有广泛应用。
2025-06-20 14:53:13
419
原创 【第二章:机器学习与神经网络概述】02.降维算法理论与实践-(1)主成分分析（Principal Component Analysis, PCA）
PCA 是一种经典的，通过找到数据中最重要的方向（主成分），在最大限度保留原始数据信息的前提下，降低维度、去除冗余，常用于数据压缩、可视化、去噪等任务。
2025-06-19 13:43:55
522
原创 【第二章:机器学习与神经网络概述】01.聚类算法理论与实践-(4)聚类算法的评价指标
本文介绍了聚类算法的评价指标，分为内在指标（不依赖真实标签）和外在指标（依赖真实标签）。重点阐述了轮廓系数、轮廓图、纯度和互信息四种评价方法：轮廓系数衡量簇内紧密度与簇间分离度；轮廓图直观展示聚类效果；纯度评估聚类准确性；互信息反映聚类与真实标签的信息重合度。文章建议根据有无标签选择合适指标，组合使用多个指标并辅以可视化方法综合评估聚类效果。
2025-06-19 13:30:08
626
原创 【第二章:机器学习与神经网络概述】01.聚类算法理论与实践-(3)DBSCAN 聚类算法
DBSCAN 是一种基于密度的聚类算法，不依赖于聚类数量的预设，能自动识别任意形状的簇，并能识别离群点（噪声）。它是处理噪声数据和不规则聚类结构的经典算法。DBSCAN 是一种无需指定簇数、可识别任意形状聚类结构的密度聚类算法；关键在于 ε 与 MinPts 参数选择；与 K-means 相比，更适合有噪声、不规则形状的实际场景。
2025-06-18 16:12:27
824
原创 【第二章:机器学习与神经网络概述】01.聚类算法理论与实践-(2)层次聚类算法（Hierarchical Clustering）
摘要：层次聚类是一种无需预设类别数的无监督学习方法，通过构建层次树揭示数据结构。主要分为聚合型（自底向上）和切分型（自顶向下）两类。聚合型通过计算簇间距离（单链接、完全链接、平均链接等）迭代合并簇。Python示例展示了Scipy库实现过程，并分析了该方法无需预设K值但计算成本高的特点。层次聚类适用于基因分析等需要多层次结构分析的场景，其效果受距离度量方式和linkage策略影响显著。
2025-06-18 15:52:37
619
原创 【第二章:机器学习与神经网络概述】01.聚类算法理论与实践-(1)K-means聚类算法
K-means聚类算法是一种经典的无监督学习方法，通过迭代优化将数据划分为K个簇。算法流程包括初始化质心、分配数据点、更新质心直至收敛。K值选择可使用肘部法则或轮廓系数。该算法对初始点敏感，改进方法包括多次运行和K-means++初始化。虽然计算高效，但需预设K值且对异常值敏感。适用于客户细分、图像分割等场景，Python实现简便。
2025-06-17 11:05:41
1244
原创 【第一章:人工智能基础】04.数学建模基本方法-(4)常见建模案例分析
本文介绍了数学建模的基本流程和常用方法，包括回归分析、线性/非线性规划、动态规划、图论建模、排列组合与概率以及微分方程建模等。通过城市垃圾运输路径优化、商品定价策略优化、流感传播预测模型和仓储调度问题四个典型案例，详细阐述了不同建模方法的应用场景和求解思路。文章还强调了建模过程中需要注意的问题抽象合理性、数据有效性、模型可解释性等关键要素，并推荐了Python、MATLAB等实用建模工具。最后总结了建模的基本流程和实战建议，为数学建模实践提供了系统指导。
2025-06-17 10:29:36
485
原创 【第一章:人工智能基础】04.数学建模基本方法-(3)概率与统计基础
本节介绍概率与统计的基本概念，重点包括条件概率、贝叶斯定理以及常见概率分布类型。条件概率用于描述在已知某些条件下，事件发生的可能性。贝叶斯定理则利用已有的先验知识，推导事件发生的后验概率，是现代机器学习中的重要工具。在概率分布方面，详细讲解了离散分布（如伯努利分布、二项分布）和连续分布（如正态分布、指数分布）的性质及其应用场景。通过图解和实例分析，帮助读者建立概率建模思维，为后续人工智能模型中的不确定性推理和数据分析打下基础。
2025-06-16 13:36:26
399
原创 【第一章:人工智能基础】04.数学建模基本方法-(2)矩阵运算与线性代数
本文介绍了矩阵运算与线性代数的基础知识及其在人工智能中的应用。主要内容包括：矩阵的基本概念与加减乘除运算、转置与特殊矩阵；可逆矩阵的条件与性质；特征值和特征向量的定义与求解方法。重点阐述了这些数学工具在PCA数据压缩、神经网络、图神经网络和推荐系统等AI领域的实际应用。最后提供了NumPy库中矩阵操作的代码示例，涵盖矩阵乘法、转置、求逆、特征值计算等常用功能。这些线性代数基础为人工智能算法的实现提供了重要数学支撑。
2025-06-16 13:28:09
382
原创 【第一章:人工智能基础】04.数学建模基本方法-(1)优化问题与线性规划
本节介绍优化问题与线性规划的基本概念。优化问题是指在约束条件下对目标函数进行最大化或最小化，其标准形式包括目标函数、约束条件和变量范围。线性规划是一类特殊的优化问题，要求目标函数和约束条件均为线性。二维情况下，可行区域由约束条件形成，最优解通常出现在边界点。单纯形法是求解线性规划的高效算法，通过迭代在可行解边界上移动寻找最优解。线性规划广泛应用于工程调度、资源分配、物流运输等领域。
2025-06-13 13:28:51
494
原创 【第一章:人工智能基础】03.算法分析与设计-(4)贪心算法（Greedy Algorithm）
贪心算法是一种通过局部最优选择构建全局最优解的算法设计方法。其核心在于贪心选择性质和最优子结构性质，适用于特定问题场景。常见应用包括活动选择问题（按结束时间排序选择不冲突活动）和最小生成树问题（Prim和Kruskal算法）。贪心算法简单高效（通常O(nlogn)），但不保证所有问题的最优解，需先验证其适用性。典型适用领域还包括Huffman编码、区间调度等具有独立子结构的问题。该算法在满足条件的问题中能快速获得近似最优解。
2025-06-13 13:16:53
476
原创 【第一章:人工智能基础】03.算法分析与设计-(3)动态规划
本文介绍了动态规划算法的基本概念和应用。动态规划通过分解问题为子问题、存储子问题解来提高效率，适用于具有重叠子问题和最优子结构的问题。重点讲解了最长公共子序列和0-1背包两个经典问题的解法，包括状态定义和转移方程。同时介绍了滚动数组等优化技巧，并展示了股票买卖和博弈论问题的动态规划应用。内容涵盖概念讲解、代码示例和优化方法，适用于算法学习和教学参考。
2025-06-12 09:39:21
524
原创 【第一章:人工智能基础】03.算法分析与设计-(2)分治法
本文介绍分治法的基本原理及其在排序算法中的应用。分治法通过"分解-解决-合并"三个步骤处理问题，归并排序和快速排序是其典型应用。归并排序稳定但需额外空间，时间复杂度恒为O(nlogn)；快速排序平均为O(nlogn)但不稳定，空间复杂度更低。两种算法各有优势：归并适合大数据和链表，快排适合内存数组。分治法作为经典算法思想，在解决递归问题时具有重要价值。
2025-06-12 09:15:11
245
原创 【第一章:人工智能基础】03.算法分析与设计-(1)算法复杂度分析
本文介绍了人工智能算法分析与设计中的复杂度分析方法。重点讲解了时间复杂度和空间复杂度的概念及其计算方式，包括常见的时间复杂度级别如O(1)、O(n)、O(n²)等。详细说明了Big-O符号的使用特点，即表示算法的最坏情况、忽略常数项和低阶项。文章还提及了Big-Omega和Big-Theta等其他复杂度符号，并强调在实际工程中Big-O的应用最为广泛。最后给出建议，指出在编写算法时需要在准确性、效率和可读性之间取得平衡。
2025-06-11 13:50:45
471
原创 【第一章:人工智能基础】02.数据处理及可视化-(3)可视化工具与技术
本文介绍了Python数据可视化工具Matplotlib和Seaborn的基础使用方法。主要内容包括：1）数据可视化的作用，如理解数据分布、识别异常等；2）Matplotlib的基本图表绘制（折线图、柱状图、散点图）；3）Seaborn的高级统计图表（关系图、柱状图、箱型图、热力图等）及其简洁语法；4）两者的对比：Matplotlib提供底层控制，适合复杂图形，而Seaborn风格美观，适合快速数据分析。建议数据探索优先使用Seaborn，需要精细定制时再用Matplotlib。
2025-06-11 13:26:49
1540
原创 【第一章:人工智能基础】02.数据处理及可视化-(2)数据集划分
在机器学习和人工智能项目中，合理划分数据集是确保模型效果和泛化能力的关键步骤。常见的划分包括训练集（用于模型学习）、验证集（用于调参和模型选择）和测试集（用于最终评估）。常用方法有随机划分、K 折交叉验证、留一法以及时间序列划分等。分类任务中应使用分层抽样以保持各类别比例一致，同时需避免测试集信息泄漏。科学划分能有效防止过拟合，提升模型在实际应用中的表现。
2025-06-10 11:13:11
655
原创 【第一章:人工智能基础】02.数据处理及可视化-(1)数据清洗与预处理
本文介绍了人工智能项目中数据清洗与预处理的关键技术。主要内容包括：1）使用Pandas检测和处理缺失值的方法，如删除、填充固定值等；2）重复数据的识别与处理；3）通过统计方法和分位数识别异常值；4）标准化字段格式的技巧。文章强调数据质量对模型效果的决定性作用，并指出合理的数据预处理能显著提升后续建模质量。各项技术均配有Python代码示例，涵盖了数据清洗的主要处理环节。
2025-06-10 11:04:33
376
原创 【第一章:人工智能基础】01.Python基础及常用工具包-(4)Python环境管理
Python环境管理是AI开发的基础技能。文章介绍了两种主要工具：virtualenv适用于轻量级项目，通过pip安装，创建独立Python环境；conda更适合数据科学，能管理多语言依赖。两种工具都支持环境创建、激活、依赖安装及导出共享。关键区别在于conda支持非Python库，更适合机器学习项目。建议每个AI项目都使用虚拟环境隔离依赖，避免版本冲突。掌握环境管理是开展Python项目开发的第一步。
2025-06-09 16:15:22
411
原创 【第一章:人工智能基础】01.Python基础及常用工具包-(3)常用数据科学工具包
本文介绍了Python数据科学中NumPy和Pandas两大核心工具的基础操作。NumPy作为高性能数值计算库，重点讲解了数组创建、属性方法及逻辑操作，包括数组初始化、形状调整、矩阵运算等。Pandas作为数据处理利器，详细阐述了Series和DataFrame的创建、数据筛选、排序、缺失值处理等核心功能。文章还说明了二者的协同使用方法，强调NumPy提供底层计算支持，Pandas实现数据清洗分析，二者结合构成了人工智能项目中数据预处理与特征工程的重要基础。掌握这两个工具包对数据科学工作具有关键意义。
2025-06-09 16:09:38
358
原创 【第一章:人工智能基础】01.Python基础及常用工具包-(2)Python函数与模块
本节介绍了 Python 中函数与模块的基本概念和使用方法。首先讲解了如何定义和调用函数，包括参数传递、默认参数与返回值。接着介绍了模块的导入方式，如 import、from ... import ...，并说明了如何自定义模块与使用标准库模块。最后，重点列举了几个常用标准库（如 math、random、datetime、os、json 等）及其常用方法与示例，帮助读者掌握常用工具在数据处理与逻辑编程中的实际应用，为后续人工智能编程打下坚实基础。
2025-06-06 15:01:14
661
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人