<?xml version="1.0" encoding="UTF-8" ?>
<rss version="2.0">
    <channel>
      <title>莫莫绵的博客</title>
      <link>https://momomian.online</link>
      <description>最近的10条笔记 on 莫莫绵的博客</description>
      <generator>Quartz -- quartz.jzhao.xyz</generator>
      <item>
    <title>莫莫绵使用手册</title>
    <link>https://momomian.online/%E8%8E%AB%E8%8E%AB%E7%BB%B5%E4%BD%BF%E7%94%A8%E6%89%8B%E5%86%8C</link>
    <guid>https://momomian.online/%E8%8E%AB%E8%8E%AB%E7%BB%B5%E4%BD%BF%E7%94%A8%E6%89%8B%E5%86%8C</guid>
    <description><![CDATA[ 我们将如何存在？ ]]></description>
    <pubDate>Wed, 27 May 2026 04:06:26 GMT</pubDate>
  </item><item>
    <title>莫莫绵的庄园</title>
    <link>https://momomian.online/</link>
    <guid>https://momomian.online/</guid>
    <description><![CDATA[ 我的第二大脑，目标是赛博永生 ]]></description>
    <pubDate>Wed, 27 May 2026 03:57:18 GMT</pubDate>
  </item><item>
    <title>智能体发展史</title>
    <link>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%99%BA%E8%83%BD%E4%BD%93%E5%8F%91%E5%B1%95%E5%8F%B2</link>
    <guid>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%99%BA%E8%83%BD%E4%BD%93%E5%8F%91%E5%B1%95%E5%8F%B2</guid>
    <description><![CDATA[ 符号主义 认为人类的智能，逻辑推理能力可以被形式化的符号所复现。它通过符号表示外部世界，通过逻辑推理规划行动。 通过构建知识库、推理规则、用户界面构成专家系统。 根本性挑战 由专家构建知识库，成本高昂，人类很多规则难以表达成 if-then 模式 庞大的常识系统必须被明确编码才能使用 完全依赖预设的规则，遇到规则以外或者变化无法感知变通 系统遵循自上而下的方式期望构建一个全知全能的中央处理器，根据一套统一的逻辑规则来处理信息和做出决策。 心智社会 马文·明斯基（Marvin Minsky）在《心智社会》提出 不再将心智视为一个金字塔式的层级结构，而是将其看作一个扁平化的、充满了互动与协作的”社... ]]></description>
    <pubDate>Wed, 27 May 2026 03:42:58 GMT</pubDate>
  </item><item>
    <title>决策树</title>
    <link>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E5%86%B3%E7%AD%96%E6%A0%91</link>
    <guid>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E5%86%B3%E7%AD%96%E6%A0%91</guid>
    <description><![CDATA[ 决策树 概念： 一种树形结构的分类模型，通过不断提问（特征判断）将数据划分到不同子节点，最终在叶子节点给出预测结果。 三要素 特征选择：选择最有用的特征先提问 如何选择？ 信息增益：哪种特征能最大程度减少混乱程度（减少熵，增加信息增益最大的先提问）——IG = 原始熵 - 分裂后的平均熵 基尼系数：反映了样本的纯度（0 表示样本都是一类，完全纯净；1 表示样本分布均匀，混乱度高）。随机抽两个东西，它们不是同类的概率有多高（降低基尼系数最大的先提问） 节点分类：根据答案划分为不同的分支 停止条件：什么时候停止提问 参数 max_depth：树最多能问多少个问题 min_samples：控制树的深... ]]></description>
    <pubDate>Wed, 27 May 2026 03:42:58 GMT</pubDate>
  </item><item>
    <title>支持向量机（SVM）</title>
    <link>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA%EF%BC%88SVM%EF%BC%89</link>
    <guid>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA%EF%BC%88SVM%EF%BC%89</guid>
    <description><![CDATA[ SVM（支持向量机） 背景： 90 年代提出的二分类算法，解决线性不可分问题（比如用直线分不开的数据）。 目标： 找到一个”最佳分界线”（超平面），使得两侧数据点到分界线的距离最大化（最大间隔）。 核心思想 最大间隔： 想象两堆点分布在马路两侧，SVM 会找到最宽的马路（间隔），马路边缘的点叫”支持向量”（离马路最近的点）。 核技巧： 如果数据像缠在一起的毛线（线性不可分），用”核函数”把数据投影到高维空间，变成可分的（类似从平面变成立体）。 重要概念 超平面方程 间隔计算 对偶问题转换： 通过拉格朗日乘子法，把原始问题转换为只与支持向量相关的优化问题 RBF 核函数： ||x-y|| 表示 ... ]]></description>
    <pubDate>Wed, 27 May 2026 03:42:58 GMT</pubDate>
  </item><item>
    <title>神经网络</title>
    <link>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C</link>
    <guid>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C</guid>
    <description><![CDATA[ import tensorflow as tf from tensorflow.keras import layers, datasets, regularizers import numpy as np import matplotlib.pyplot as plt # 优化点： # 1、使用 3个卷积模块 提升特征提取能力 # 2、添加 BatchNormalization 加速收敛 # 3、使用 GlobalAveragePooling 替代Flatten减少参数量 # 4、通过旋转/缩放等模拟真实场景，增加数据多样性 # 5、L2正则化 + Dropout 约束权重值大小，随机关闭神经... ]]></description>
    <pubDate>Wed, 27 May 2026 03:42:58 GMT</pubDate>
  </item><item>
    <title>线性回归</title>
    <link>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92</link>
    <guid>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92</guid>
    <description><![CDATA[ 机器学习 对比传统的因果律，量子力学的哥本哈根学派科学家波尔、海森伯认为世界上一切事物的发生都是不确定的，只能用概率也就是发生的可能性描述事物运动规律，世间一切的事儿都符合于某种概率分布而不是因果，可以用概率模型来表示一切规律。 机器学习流程 数据收集与预处理 特征选择与模型构建 评估与预测 分类：预测是否 回归：预测一个具体数值 线性回归 目标： 预测未知的值 方法： 根据会影响目标的相关属性，通过线性函数来得到和目标接近的答案 公式： x₁ 和 x₂ 等是权重项，即与目标结果相关的特征，其中 θ₀ 是偏置项，用于对模型最终结果做微调。 向量方式： 误差： 真实值 = 预测值 + 误差 用损... ]]></description>
    <pubDate>Wed, 27 May 2026 03:42:58 GMT</pubDate>
  </item><item>
    <title>聚类算法</title>
    <link>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E8%81%9A%E7%B1%BB%E7%AE%97%E6%B3%95</link>
    <guid>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E8%81%9A%E7%B1%BB%E7%AE%97%E6%B3%95</guid>
    <description><![CDATA[ K-Means 算法 目标： 无监督的将数据分类 步骤： 确定 K 值（分成几类） 选择初始质心（质心指数据点的各个维度的平均值点），k 个质心 确定度量：距离，确定每个数据点到质心的距离最小，划分为该类 再将每个类的所有数据点求新质心，重复步骤 3 当质心不再发生变化时结束 缺点： K 值比较难确定、比较难发现特殊形状（任意形状）的簇分类、数据量越大，程序时间复杂度越高。 DBSCAN 算法 算法核心思想： DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法。 核心逻辑： 将高密度区域... ]]></description>
    <pubDate>Wed, 27 May 2026 03:42:58 GMT</pubDate>
  </item><item>
    <title>贝叶斯算法</title>
    <link>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%AE%97%E6%B3%95</link>
    <guid>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%AE%97%E6%B3%95</guid>
    <description><![CDATA[ 贝叶斯算法 公式： 通俗解释： 当 B 发生后，A 的概率如何变化 四个关键概念 先验概率：没做实验前的初始猜测 P(A) 似然度：假设成立时看到数据的可能性 P(B|A) 证据：数据本身出现的总概率 P(B) 后验概率：看到数据后的修正猜测 P(A|B) 朴素贝叶斯 简单假设：特征之间是独立的，互相不影响的。 高斯朴素贝叶斯：连续数据（如身高、温度），鸢尾花分类 GaussianNB() 多项式朴素贝叶斯：离散计数（如文本词频），新闻分类/垃圾邮件过滤 MultinomialNB() 伯努利朴素贝叶斯：二值特征（0/1），用户行为分析 BernoulliNB() 模型比较理论 最大似然： 最... ]]></description>
    <pubDate>Wed, 27 May 2026 03:42:58 GMT</pubDate>
  </item><item>
    <title>逻辑回归</title>
    <link>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92</link>
    <guid>https://momomian.online/04_Knowledge/%E6%8A%80%E6%9C%AF/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92</guid>
    <description><![CDATA[ 逻辑回归 目的： 解决二分类问题（如预测是否购买、是否患病等），通过概率输出（0-1 之间）判断类别归属。 方法： 它结合线性模型和 Sigmoid 函数： Sigmoid 函数：将结果压缩在 0-1 之间 通过设定阈值（比如 0.5），让 g(z) 小于 0.5 和大于 0.5 的数据分类开。 训练逻辑回归模型： 找到一组最优参数 θ（最大似然估计） 损失函数： y：真实标签（0 或 1） g(z)：模型预测的概率 示例代码 import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.... ]]></description>
    <pubDate>Wed, 27 May 2026 03:42:58 GMT</pubDate>
  </item>
    </channel>
  </rss>