1. 触觉中的大脑 1.1. 自主或灵巧操作 1.1.1. 机器人必须能安全有效地与世界中的人和物玩耍、工作，只有这样，它才可以走出工厂的牢笼，发挥其潜力 1.2. 从工程学和编程的角度看，建造飞往火星的机器人比建造可以清理餐桌的机器人容易 1.2.1. 自动驾驶汽车或在火星上空巡航的机器人运行于自 ...

1. 机器人的建造 1.1. 鱼形机器人、药丸机器人、汽车机器人和蟑螂机器人，它们有一些共同的基本特征 1.1.1. 机器人的身体都有传感器，可以像人类的眼睛、耳朵和皮肤一样收集来自世界的输入，这个身体需要一种发起行动的方法 1.1.2. 它要能自主移动 1.1.3. 如果处于静止状态，要能移动别的 ...

1. 时间的节约 1.1. 机器人的传感器可以感知环境，识别正在发生的事情，要实现完全自动驾驶，其精确度必须更高 1.1.1. 汽车的控制系统必须足够快，才能对传感器和大脑的感知做出正确反应 1.1.2. 汽车还要能在意外天气和路况下安全行驶，这又是一系列挑战 1.1.3. 汽车机器人还有可改进的地 ...

1. 机器人如何创“芯”​？ 1.1. 希望机器人有人类之“心”​，便于人机交往，实现人机共鸣 1.2. 要求机器人必须遵守诸如阿西莫夫“机器人三定律”之类的底线规则 1.3. 机器人必须创“芯”​，心芯合一，才能真正增进人类的福祉，共同构建未来世界的智能社会 2. 概述 2.1. 机器人不会抢走我 ...

为什么需要校准？在很多场景中，我们不仅关心模型输出的预测类别，还关心模型输出的预测概率，然而模型输出的预测概率未必等于真实的概率。概率校准就是重新计算预测概率，以让它尽量接近真实的概率。 ...

Pytorch基础问题RuntimeError: Expected all tensors to be on the same device Introduction 今天让 Claude 4 Sonnet 给我写Nogo的reinforcement learning的训练代码，结果就直接报错： R ...

（这系列文章所有的内容是深度学习用的数学知识，都在实数域上讨论问题，且从数学专业的人的角度来看） 这是我听课的笔记，也有一些自己补充的内容（课程地址：https://www.bilibili.com/cheese/play/ss32496） 1. 矩阵 1.1 矩阵的定义 由\(m\times n\ ...

在机器学习领域，规则学习是一颗独特的明珠--它不像深度学习那样神秘，而是用人类可读的"如果-那么"规则来做出决策。 想象一下医生通过一系列症状判断疾病，或者风控系统根据用户行为拒绝贷款，规则学习的魅力正在于这种透明可解释性。 1. 基本概念 规则学习的目标是从数据中提取出一系列的规则，这些规则能够帮 ...

1.账号申请成功后linux系统默认用户密码为：hpc@手机号 2.使用anaconda镜像源的时候不能参考《Anaconda_PyPI镜像使用帮助》教程，要参考下面链接：https://hpcdocs.xjtu.edu.cn/software/python/ 3.同时再把镜像源换成清华镜像，西安交 ...

当复杂世界的不确定性遇上图的结构化表达，概率图模型应运而生。 它可以帮助我们理解和建模变量之间的复杂关系。 想象一下，你正在尝试预测明天的天气，你需要考虑温度、湿度、气压等多种因素，这些因素之间存在着复杂的相互作用。 概率图模型就像是一张“关系网”，能够清晰地表示这些因素之间的依赖关系，并帮助我们进 ...

在数据处理的世界里，我们常常会遇到这样的问题：数据量太大，存储和传输成本高昂，但又不能丢失重要信息。 这时候，压缩感知（Compressive Sensing，CS）就像一位神奇的“数据魔法师”，能够帮助我们高效地处理数据。 本文我们就来深入了解一下压缩感知是什么，它的原理和作用，以及如何用代码实现 ...

在机器学习的世界里，我们常常会遇到各种复杂的数据，它们可能包含大量的特征，但其中真正有用的信息却很少。 这就像是在一个杂乱无章的房间里，我们只需要找到那些真正重要的物品，而忽略掉那些无关紧要的杂物。 稀疏表示和字典学习就像是整理房间的工具，帮助我们找到那些关键的信息，让数据变得更加简洁和有用。 1. ...

想象你要做一道美食，面对琳琅满目的食材，优秀的厨师不会把所有原料都扔进锅里，而是会选择最适合的几种。 在机器学习中，特征选择就是这个挑选过程，从原始数据中选择对预测目标最有用的特征（列），就像挑选优质食材一样重要。 1. 什么是特征选择？ 特征选择是机器学习中一个至关重要的步骤，它从原始数据的众多特 ...

度量学习是一种神奇的机器学习技术，它的核心目标就是教会机器如何更好地衡量不同数据点之间的 “距离” 。 在我们日常生活中，距离这个概念很直观，比如两点之间的直线距离。 但在机器学习的世界里，数据通常是高维的，比如一张图片可以被表示为一个包含像素值的高维向量。 那么，如何衡量这些高维数据之间的相似性或 ...

在机器学习和数据分析中，数据的维度常常是一个让人头疼的问题。 想象一下，你面前有一张包含成千上万列特征的表格，每一列都可能是一个重要的信息源，但同时也会让计算变得异常复杂。 这时候，降维技术就派上用场了！它可以帮助我们把高维数据“瘦身”成低维数据，同时尽可能保留有用的信息。 今天，介绍几种常见的降维 ...

在数据分析和机器学习领域，聚类是一种非常重要的无监督学习方法，它可以帮助我们发现数据中的内在结构，将相似的数据点分组到一起。 本文将介绍几种常见的聚类算法，包括原型聚类（如 k-均值、学习向量量化、高斯混合聚类）、密度聚类（DBSCAN）和层次聚类（AGNES）。 通过浅显易懂的方式介绍它们的原理， ...

第零章 积分 变上限积分：设积分形式为\(\boxed{I(x)=\int_{v(x)}^{u(x)}f(t,x)\text{d}t}\)，则对\(I(x)\)求导得： \[\boxed{\frac{\text{d}I}{\text{d}x} = f(v(x), x) \cdot v'(x) - f ...

起初的原因是，想要跑一个用到了mamba_ssm的项目，故尝试在wsl中配置mamba_ssm库。提示需要`pip install mamba-ssm`后报错频繁，遇到了许多问题。查阅了很多blog和issue，安装了很多次环境，仿佛已经对注意事项倒背如流，但是就是无法解决最后的**selectiv... ...

在聚类分析中，距离度量是核心概念之一，它决定了数据点之间的相似性或差异性，从而影响聚类结果的质量。 选择合适的距离度量方法，就像为数据选择合适的“观察视角”，能够帮助我们发现隐藏的模式结构。 本文将详细介绍几种常用的聚类距离度量方法，包括它们的原理、代码实现，以及这些方法满足的基本性质。 1. 常用 ...

在聚类分析中，我们常常需要评估聚类结果的质量。 外部指标是一种通过与已知的“真实标签”进行比较来评估聚类性能的方法。 这些指标可以帮助我们判断聚类算法是否能够准确地将数据划分为有意义的类别。 本文将介绍几种常见的外部指标，包括 Jaccard 系数、FM 指数、Rand 指数、DB 指数和 Dunn ...