机器学习标签_亚马逊云科技技术品牌专区

机器学习

AI智能体（Agent）：从被动应答到自主任务执行的智能革命

AI智能体是当前人工智能落地应用的全新核心形态，彻底改变了传统大模型被动应答的交互模式，具备自主思考、任务拆解、工具调用、循环迭代、闭环执行的完整能力。本文从核心算法原理、技术迭代演进、工程落地难点、全行业业务场景、应用风险治理五个维度，全面解读AI智能体的核心价值，对比传统对话模型与智能体的能力差异，结合办公、科研、企业服务等真实场景拆解落地逻辑，适配大众与行业从业者阅读需求。

renhongxia1
2026-09-24 18:45:00

 496

#人工智能 #深度学习 #算法 +1
散户别再盲目炒股！普通人真正能用的「AI投研」到底是什么？

现在全网都在说AI炒股、AI量化、AI投研，但绝大多数散户根本分不清：哪些是智商税，哪些是真能用的工具。很多人对AI投研的误区只有两个：1、以为AI可以100%预测涨跌2、以为AI投研是大佬专属，普通人学不会其实真正的AI投研，不是"预言行情"，而是用数据和模型消除人性弱点，让投资更理性、更系统。今天这篇我用大白话讲清楚：普通人能落地的AI投研，到底是什么、能解决什么问题、怎么用。AI投研 = 用

 qq2953
2026-09-24 17:08:40

 228

 6

#人工智能 #区块链 #机器学习
PyTorch 混合精度训练底层机理：FP16 vs BF16 vs FP8 数值动态范围与溢出防御

在大模型与深度学习训练工程中，是将 GPU 显存占用减半、矩阵乘法算力翻倍（打满 Tensor Core）的核心底层基石。然而，许多开发者在从传统的单精度（FP32）切换到低精度浮点数时，经常被各种诡异的NaNGradScaler本文从出发，深度解构 FP16、BF16 与 FP8 的数值物理极限与溢出防御实战。

雷帝木木
2026-09-23 14:40:02

 1909

#python #机器学习 #深度学习 +1
开源数据集发布规范：基于 Datasheets for Datasets 标准化构建 Dataset Card

在人工智能与自然语言处理开源生态（如 HuggingFace Datasets、ModelScope 或 GitHub）中，发布一个高质量的数据集绝非仅仅是将一个train.json压缩包上传了事。由微软、斯坦福大学等联合提出的，已成为全球顶级学术共同体与工业界发布数据集的。本文详解 Datasheets for Datasets 的核心架构，并提供一份标准的 HuggingFaceREADME.

雷帝木木
2026-09-21 21:26:53

 650

#python #机器学习 #深度学习 +1
从零开始学AI应用开发——机器学习、深度学习、大模型、LLM与Agent到底是什么关系

第一次接触 AI 开发，最容易被一串名词绕晕：人工智能、机器学习、深度学习、神经网络、大模型、LLM、生成式 AI、RAG、Agent，看起来都像“AI”，却并不处在同一层级。本文从“目标—方法—模型—能力—系统”五个层次重新梳理它们的关系，用一张总览图、多个对比表和可运行的 Python 示例，讲清传统机器学习如何从数据中学习，深度学习为何依赖神经网络，大模型与 LLM 到底是什么关系，以及今天

 xiaoxingkongyuxi
2026-09-21 06:00:00

 919

 9

#人工智能 #大数据 #语言模型 +4
大模型是什么？一文梳理 AI、机器学习、深度学习与大模型

AI：让机器表现出智能，是目标。ML：从数据中自动找规律，是实现 AI 的主要手段。DL：用多层神经网络自动学习特征，是 ML 的主流分支。大模型：深度学习在参数、数据、算力上的规模化产物。学习范式：监督、无监督、半监督、自监督、强化学习。任务类型：分类、回归、聚类、关联规则、序列预测等。

驭渊的小故事
2026-09-20 22:03:35

 795

 12

#人工智能 #机器学习 #深度学习
科研写作与学术规范进阶：从消融设计到伦理合规的第三周方法论复盘

在人工智能与自然语言处理学术界，撰写一篇能够被 ACL、EMNLP、NeurIPS、ICLR 等顶级国际会议或权威 IEEE/ACM Trans 期刊录用的高水平论文，本质上是一场**“严密科学论证、数据因果归因、排版视觉美学与学术伦理诚信”的综合工程实践**。。为了帮助青年学者和算法工程师建立无懈可击的顶会写作标准，本文对第三周的科研写作方法论进行全景提炼复盘。

雷帝木木
2026-09-20 14:21:24

 457

#python #机器学习 #深度学习 +1
实验管理与可观测性基建：从跨平台锁定到 OCI 签名的第三周工程复盘

在现代人工智能算法工程化与企业级 MLOps 体系中，“模型开发”仅仅是万里长征的第一步。当算法从单机研究走向时，任何一个工程链条的脆弱都会导致数十万元算力账单的蒸发或严重的线上安全生产事故。回顾过去一周（Week 3）我们在“实验管理工程”专栏中的系统化建设，我们构建了一套。本文对第三周的实验管理与可观测性基建方法论进行全景提炼复盘。

雷帝木木
2026-09-20 14:17:26

 473

#python #机器学习 #深度学习 +1
数据集质量治理与硬度审计：从子群公平到特征冗余的第三周方法论复盘

在以数据为中心的人工智能（Data-Centric AI）工程实践中，许多团队往往在模型训练遇到瓶颈时陷入“盲目调参、更换复杂架构”的泥潭。。回顾过去一周（Week 3）我们在“数据质量管线”专栏中的深入钻研，我们从等多维视角，沉淀了一套。本文对第三周的数据质量治理方法论进行全景提炼复盘。

雷帝木木
2026-09-20 14:16:00

 566

 2

#python #机器学习 #深度学习 +1
【人工智能技术丛书】《TensorFlow语音识别实战》

本书使用新的TensorFlow 2作为语音识别的基本框架，引导读者入门并掌握基于深度学习的语音识别基本理论、概念以及实现实际项目。全书内容循序渐进，从搭建环境开始，逐步深入理论、代码及应用实践，是语音识别技术图书的**。

Seal^_^
2026-09-20 10:29:58

 374

 2

#零售 #人工智能 #AI +1
【深度学习】分布式训练基础_数据并行与模型并行

大模型训练不是把代码从一张 GPU 搬到多张 GPU 那么简单。单卡放不下参数、激活、梯度和优化器状态时，需要分布式训练；单卡算得太慢时，也需要多卡提升吞吐

 倔强的石头_
2026-09-20 09:53:04

 9983

 32

#机器学习 #人工智能 #深度学习
2026国内数字孪生企业TOP5：平台能力、仿真与AI技术对比

按照本文设定的平台能力、数据融合、空间能力、仿真、AI、工程落地和生态等维度，TOP5为51WORLD、华为、阿里云、中国移动和腾讯云。能不能描述真实空间？另一方面，阿里云物联网体系中也提供IoT孪生引擎，可以建立设备孪生体、节点关系和三维场景，使数字孪生与真实设备状态进一步连接。**核心关键词：**国内数字孪生企业TOP5、数字孪生头部企业、数字孪生公司排名、数字孪生平台、国产数字孪生平台。**

饼饼学习空间智能
2026-09-20 09:35:23

 598

 5

#人工智能 #深度学习 #机器学习
反向传播：神经网络为什么能「学习」？用 NumPy 手写 BP

本文从链式法则出发，详细推导反向传播（BP）算法原理，揭示多层神经网络中梯度如何通过“反向”传递计算权重更新。结合两层神经网络的数学表达与Python手写实现，完整演示前向传播、损失计算、梯度反传与参数更新全过程，帮助理解PyTorch中loss.backward()的底层机制，掌握深度学习的核心——反向传播。

richard_yuu
2026-09-20 07:00:00

 426

 3

#深度学习 #机器学习 #神经网络
准确率 99% 的模型为什么是废的？精确率、召回率、F1 一次讲透

本文是「人工智能训练师（三级）」备考学习笔记的第四篇，系统讲解模型评价的核心指标体系：从混淆矩阵（TP/FP/FN/TN）出发，逐个讲透准确率、精确率、召回率、F1 的定义、分母差异与适用场景，并给出手把手计算示例与类别不平衡陷阱的完整分析。全文共 4 节，文末附 15 道自测题及完整解析。篇幅 4 个小节 + 15 题｜建议用时 1.5 – 2 小时｜前置要求模块1、2。

weixin_46913627
2026-09-19 22:44:42

 545

 5

#人工智能 #机器学习 #深度学习
湘美书院湘美谈教育：AI时代，湖湘文化教育人文沉思录

人工智能重塑教育，带来效率与便捷的同时，也悄然消解了求知的“笨拙过程”。它抹平困惑、填满留白，使思考外包、努力虚拟，导致“假性博学”与思辨力退化。真正的教育在于困顿中的体悟、独处里的成长、留白间的深耕。技术可助行，但不可代心。唯有善用工具而不失本心，方能在高效时代守住慢的智慧、留白的清醒，让千年文脉在科技浪潮中温润绵长。

湘美书院--湘美谈教育
2026-09-16 13:17:32

 207

 2

#人工智能 #深度学习 #机器学习 +2
【认识大模型】【一堂课厘清AI五大核心概念：从人工智能到大语言模型】流食般投喂

人工智能（Artificial Intelligence, AI）的本质是对人类智能的模拟。它不是单一的计算机学科，而是涉及统计学、脑神经科学、社会科学等多领域的交叉学科。简单来说，就是让机器变得“聪明”，能够完成原本只有人类才能做到的任务。大语言模型（Large Language Model, LLM）是人工智能领域的核心突破。它是一种通过海量文本训练而成、拥有巨量参数、能够理解和生成人类语言的

 dj_798
2026-09-16 11:55:17

 1327

 29

#人工智能 #语言模型 #机器学习 +2
深度学习入门：手把手搭建简单神经网络

本文手把手教程带你零基础搭建PyTorch全连接神经网络，详解模型结构、前向传播、激活函数选择与损失函数使用。重点解析CrossEntropyLoss正确用法，揭示新手90%报错根源：self拼写错误、维度不匹配、数据类型错乱、device空格等，并提供完整可运行代码与逐行解析，助你快速入门深度学习，避开踩坑陷阱。

wxdxssd
2026-09-16 10:14:41

 176

 1

#机器学习 #人工智能 #python
AI 人工智能

本文概述人工智能（AI）的基本概念、核心技术（如机器学习、深度学习、自然语言处理与计算机视觉）及其在医疗、金融、自动驾驶和推荐系统等领域的应用。文章还提供入门路径与学习资源，帮助读者系统掌握AI技能，并探讨其未来发展与挑战，为初学者提供全面的指引。

网络安全工程师小龙
2026-09-16 10:06:44

 390

#人工智能 #设计模式 #开发语言 +1
GitHub AI4S 项目观察（2026-09-07—2026-09-13）

本期周报梳理2026年9月7日至13日GitHub上7个面向科学研究的人工智能开源项目，涵盖科研智能体、计算化学、材料发现、天气预测与科学计算。重点介绍科学数据库查询、分子对接、材料评测数据集、分子模拟、气象网格转换及微分方程求解等方面的更新，并说明各项目的核心功能、输入输出、适用场景与使用限制，为研究人员了解工具进展和选择科研方案提供参考。

Pu847044653
2026-09-16 09:35:37

 148

#人工智能 #机器学习 #深度学习
大语言模型技术 step by step 第3章机器学习与深度学习基础

强化学习（RL）研究智能体在与环境交互中通过奖励信号学习最优策略。其框架是马尔可夫决策过程（MDP）：智能体在状态sss采取动作aaa，环境返回奖励rrr和新状态s′s's′，智能体学习策略πa∣sπa∣s以最大化累积奖励。虽然预训练主要用自监督学习，但对齐阶段（RLHF，第13章）会用到强化学习：把语言模型视为策略，把人类偏好转化为奖励，用策略梯度方法优化模型。因此，理解强化学习的基本概念对第四

 cb_fox
2026-09-16 08:54:21

 285

 3

#语言模型 #人工智能 #神经网络 +3
Python 人工智能实战：智能边缘计算

文章浏览阅读332次。本文介绍了智能边缘计算的概念及其在图像分类任务中的应用

 2601_96229599
2026-09-16 00:16:29

 214

 1

#计算机视觉 #机器学习
科研消融实验中的控制变量法：如何通过正交实验矩阵消除参数混淆

在深度学习消融实验（Ablation Study）中，最棘手的情况往往是**“多因素相互耦合（Factorial Confounding）”**：如果要对所有可能的组合进行全因子网格遍历（Full Factorial Grid Search），需要执行 $3^4 = 81$ 次全量训练，这需要耗费数十万 GPU 算力小时，在科研预算上是完全不可承受的。而如果只随意消融其中 2 个变体，又无法证明不

 雷帝木木
2026-09-15 21:02:51

 814

 1

#python #机器学习 #深度学习 +1
一图了解大模型是什么？附国内外知名大模型及240余家大模型清单！_什么是大模型

引申到模型层面，涌现能力指的是当模型的训练数据突破一定规模，模型突然涌现出之前小模型所没有的、意料之外的、能够综合分析和解决更深层次问题的复杂能力和特性，展现出类似人类的思维和智能。简而言之，大模型是指利用海量数据，通过先进的算法和技术，训练得到的具有强大预测和决策能力的模型。它们利用大算力、使用海量的开放数据与具有巨量参数的深度学习算法，在大规模无标注数据上进行训练，以寻找特征并发现规律，进而形

 IT职业领路人
2026-09-15 17:27:19

 131

 5

#人工智能 #深度学习 #机器学习 +1
一文读懂大模型：从概念到应用，小白也能看懂的科普_大模型应用

提到“大模型”，很多人第一反应是“听起来很复杂”，其实拆解开来看，核心就是“大”和“模型”两个关键词。首先说名字：大模型的英文是“Large Model”，早期也叫“Foundation Model”（基础模型），但咱们平时说的“大模型”，其实是“人工智能预训练大模型”的简称——“预训练”是它的核心技术之一，后面会专门解释，这里先记住这个完整名字。更关键的是“分类”：现在大家口中的大模型，大多特指

 IT职业领路人
2026-09-15 17:21:51

 291

 10

#人工智能 #深度学习 #机器学习
《理解深度学习》第17章变分自编码器读书笔记

隐变量模型（Latent Variable Model）假设观测数据xxx是由一些未观测到的隐变量zzz生成的。隐变量代表数据中未直接观测但对生成数据有影响的因素。观测数据xxx：像素值隐变量zzz：可能包括身份、表情、姿态、光照、年龄、性别等从先验分布pzp(z)pz中采样隐变量zzz从条件分布px∣zp(x|z)px∣z中采样观测数据xxxpx∫px∣zpzdzpx∫px∣zpzdz。

啊阿狸不会拉杆
2026-09-15 15:12:51

 519

 3

#深度学习 #学习 #人工智能 +2
《理解深度学习》第12章变换器读书笔记

本章系统讲解变换器（Transformer）架构，核心为自注意力机制与位置编码，突破RNN序列依赖限制，实现并行计算。通过多头注意力捕捉长距离依赖，结合残差连接与层归一化提升训练稳定性。模型分为编码器-解码器结构，广泛应用于BERT（编码器）、GPT（解码器）及机器翻译等任务，并拓展至图像、语音等领域，成为现代AI的基石。

啊阿狸不会拉杆
2026-09-15 14:45:51

 205

 1

#深度学习 #学习 #人工智能 +2
【深度学习】词嵌入技术_从Word2Vec到现代Embedding

模型不能直接理解文字，必须先把离散 token 变成连续向量。Embedding 的本质是一张可学习的查表矩阵：每个 token id 对应一行向量。Word2Vec 让我们看到“词的意义可以从上下文中学出来”，Transformer 把 token embedding、位置编码和上下文表示进一步结合，现代 RAG 和语义检索又把 embedding 用作文本相似度搜索的基础

 倔强的石头_
2026-09-15 10:56:42

 1.4w

 43

#深度学习 #人工智能 #机器学习
【机器学习】神经网络与表征：为什么深度学习能自动提取特征

本文以机械臂视觉识别与多传感器状态判断为线索，解释深度学习为何能从原始数据中逐层形成有用特征。神经网络并不是凭空“看懂”图像，而是在损失函数与反向传播的反馈下，学习一组连续变换：浅层先保留边缘、颜色、局部波动等低级模式，中层把它们组合为纹理、轮廓和零部件，高层再形成与姿态、类别或故障状态相关的抽象表示。文章同时说明自动特征提取依赖数据、网络结构与训练目标三者共同约束，并澄清“特征可视化”不等于模型

 宣宣猪的小花园.
2026-09-15 10:53:11

 154

 2

#人工智能 #嵌入式硬件 #机器学习 +1
注塑机智能管控系统方案第十八章

中科晟达注塑机智能管控系统以数据驱动为核心，帮助注塑企业实现设备互联、生产协同和质量可控。未来，系统将进一步融合人工智能算法，在工艺优化、预测性维护和智能排产等方向持续深化，助力企业迈向智能制造。

注塑机数据采集联网
2026-09-15 08:45:39

 256

 3

#数据仓库 #数据库架构 #大数据 +4
《理解深度学习》第7章梯度与参数初始化读书笔记

本章系统讲解深度学习中的梯度计算与参数初始化。核心内容包括：基于链式法则的反向传播算法，通过计算图实现从输出层逐层回传梯度；推导了误差项传播公式及参数梯度计算方法；并通过代码实验对比不同初始化方式（如Xavier、He）对训练效果的影响。强调合理初始化可避免梯度消失或爆炸，提升收敛速度。反向传播是深度学习优化的基础，其高效性使大规模网络训练成为可能。

啊阿狸不会拉杆
2026-09-14 17:45:15

 235

 2

#深度学习 #学习 #人工智能 +2
Python后端AI专题02：别再混用术语：机器学习、深度学习与大模型是什么关系

本实验对应的测试会真正调用四次，检查四个类别、四种不同失败模式、分类依据和共同后端问题；还会构造上面的矛盾案例，确认程序抛出异常。测试的意义是保护教学承诺：如果以后有人把分析逻辑删掉，只留下硬编码的名称列表，这些测试就必须失败。

青春记忆
2026-09-14 13:36:54

 541

 4

#人工智能 #python #机器学习
298项新国标集中发布：AI也要“有尺可量”

高新技术领域中，人工智能、智能语音交互、智慧服务等相关标准共有47项，应用延伸到电力、港口、石油、家居等场景。企业可以拥有不同的技术路线，但如果接口、测试方法和质量评价完全不同，客户每采购一家供应商的产品，都要重新翻译、适配和验证。因此，标准并不是把所有产品做成同一个样子，而是先把门的宽度、插头的形状和交流的语言确定下来，让创新不必每次从“能不能连上”开始。AI最早比的是参数，真正走进工厂和家庭后

 中國龍在廣州
2026-09-14 10:00:00

 408

#人工智能 #机器人 #大数据 +2
致全球：关于AI技术中立与人类共同未来的公开信 | ——坚决反对将人工智能政治化、武器化，呼吁全球技术界坚守伦理底线

鸽姆智库与贾子理论大厦研究中心发表致全球公开信，反对将人工智能政治化、武器化。信中指出美国NSA/CISA/FBI点名六家中国AI企业“工业规模蒸馏”系政治对技术的劫持，蒸馏为全球通行技术，美方“生态复用”与“工业窃密”的定性构成双重标准。公开信区分美国技术界与政客，提出技术问题归技术解决、AI不服务于任何单一地缘战略、坚守伦理红线、开源知识共享为人类公共品四项原则，呼吁全球技术界共同抵制技术霸权

 技术专家
2026-09-14 06:46:54

 407

 2

#人工智能 #深度学习 #大数据 +2
跨平台环境锁定：基于 Conda-lock 实现多架构（x86/ARM）环境比特级锁定

在现代人工智能算法研发团队中，硬件架构呈现高度的osx-arm64linux-64传统的或简单的pip freeze存在致命缺陷：它记录的是当前本机的架构特定依赖，。如何用一份统一的声明式配置，？conda-lock提供了现代跨架构可复现环境锁定的工业级解决方案。

雷帝木木
2026-09-14 08:29:12

 1129

#python #机器学习 #深度学习 +1
机器学习Python生态中3个重要的库

Celery、scikit-learn与PyTorch是现代机器学习与工程系统中的核心工具：Celery实现异步任务调度，剥离耗时操作（如发邮件、模型推理）；sklearn提供统一接口的传统机器学习算法，适用于中小规模数据建模；PyTorch则聚焦深度学习，支持动态计算图与自动求导，广泛用于图像、NLP及大模型训练。三者常协同使用——通过Celery异步调度sklearn或PyTorch的推理任务

 CAE虚拟与现实
2026-09-13 11:18:36

 288

 3

#机器学习 #python #人工智能 +1
人工智能、机器学习、深度学习、神经网络区别

人工智能、机器学习、深度学习、神经网络区别

 不问东溪
2026-09-13 08:30:00

 889

 8

#人工智能 #机器学习 #深度学习
谈谈数据的人工智能适用性（data AI readiness）!

“数据的人工智能适用性 / Data AI Readiness（也叫 AI-ready data / data readiness for AI）”说的不是“有没有数据”，而是数据能不能被 AI 系统可靠地找到、理解、调用、治理和追责。传统数据管理关心“人能不能查报表”，AI 数据适用性关心“模型/Agent 能不能在正确权限和上下文中做对事”。

lisw05
2026-09-12 23:20:58

 300

 1

#人工智能 #机器学习
PyTorch食物图像分类实战：从数据集制作到CNN模型训练全流程详解

针对本地食物图像数据集的图像分类任务，本文基于 PyTorch 框架实现一套完整的深度学习训练流程。首先通过脚本遍历文件夹生成图片路径‑标签 txt 索引文件，解决本地分类数据集无法直接被 PyTorch 读取的问题；其次讲解`Dataset`中`__getitem__`、`__len__`魔法方法底层原理，自定义食物数据集类完成图片读取、预处理与标签转换，借助`DataLoader`实现样本批量

 dongziwen1
2026-09-11 21:25:01

 343

 4

#pytorch #分类 #cnn +3
可证伪性原则的逻辑原罪：从波普尔划界标准的内在矛盾到人工智能认知殖民的结构性批判

本文以逻辑自洽公理（KLA）审查波普尔“可证伪=科学”标准，揭示其自指矛盾：该命题作为元命题不可被经验证伪，按自身标准不属科学，却裁决科学边界。指出“可证伪=科学”实为西方认知殖民的隐蔽武器——通过定义“何为科学”分配全球知识发言权，使非西方传统在被审判前即被判“不合法”。全球AI洞察力测试显示，西方模型集体裸奔，中国模型在顶尖段位实现突破；Claude因索要提示被判作弊无效。研究推演西方AI界将

 技术专家
2026-09-11 13:59:14

 397

 2

#搜索引擎 #人工智能 #数据挖掘 +2
深度学习-训练，评估与数据增强

本文详细介绍了食物分类模型的训练与测试流程，包括train和test函数的五步标准操作：数据搬移、前向传播、损失计算、梯度清零与反向传播、参数更新。通过model.train()与model.eval()切换模式，确保网络行为正确。主循环中使用交叉熵损失与Adam优化器，共训练20轮。为防止过拟合，引入数据增强策略：训练集采用随机旋转、翻转、色彩扰动等变换提升泛化能力，验证集仅保留确定性预处理，保

 pjj19854
2026-09-10 20:40:03

 259

#人工智能 #深度学习 #机器学习