2025
[12]
- 网球场景计算机视觉系统设计方案：从论文调研到工业实现 12-15
- 学习率：从入门到大模型训练的终极指南 11-08
- LLM 工作流与应用架构：企业级实战指南 09-22
- AI Agent 完全指南：从理论到工业实践 08-15
- Integrating Large Language Models with Graphical Session-Based Recommendation 05-12
- paper2repo： GitHub Repository Recommendation for Academic Papers 04-08
- 大语言模型在自然语言处理传统任务中的应用与优化研究进展 03-20
- 提示词工程完全指南：从零基础到高级优化 03-03
- Mixture-of-Subspaces in Low-Rank Adaptation (MoSLoRA) 02-18
- Prefix Tuning —— Optimizing Continuous Prompts for Generation 02-05
- 迁移学习（十二）—— 工业应用与最佳实践 01-08
- 迁移学习（十一）—— 跨语言迁移 01-02
2024
[50]
- 迁移学习（十）—— 持续学习 12-27
- 迁移学习（九）—— 参数高效微调 12-21
- 迁移学习（八）—— 多模态迁移 12-15
- 迁移学习(七)—— 零样本学习 12-09
- 迁移学习（六）—— 多任务学习 12-03
- 迁移学习（五）—— 知识蒸馏 11-27
- 迁移学习（四）—— Few-Shot Learning 11-21
- 迁移学习（三）—— 域适应方法 11-15
- 迁移学习（二）—— 预训练与微调技术 11-09
- 迁移学习（一）—— 基础与核心概念 11-03
- 强化学习（十二）—— RLHF 与大语言模型应用 10-04
- 强化学习（十一）—— 层次化强化学习与元学习 09-27
- 强化学习（十）—— 离线强化学习 09-20
- 强化学习（九）—— 多智能体强化学习 09-13
- 强化学习（八）—— AlphaGo 与蒙特卡洛树搜索 09-06
- 强化学习（七）—— 模仿学习与逆强化学习 09-06
- 强化学习（六）—— PPO 与 TRPO：信任域策略优化 09-03
- 强化学习（五）—— Model-Based 强化学习与世界模型 08-30
- 强化学习（四）—— 探索策略与好奇心驱动学习 08-23
- 强化学习（三）—— Policy Gradient 与 Actor-Critic 方法 08-16
- 强化学习（二）—— Q-Learning 与深度 Q 网络（ DQN） 08-09
- 强化学习（一）—— 基础与核心概念 08-02
- 推荐系统（十六）—— 工业级架构与最佳实践 07-16
- 推荐系统（十五）—— 实时推荐与在线学习 07-11
- 推荐系统（十四）—— 跨域推荐与冷启动解决方案 07-06
- 推荐系统（十三）—— 公平性、去偏与可解释性 07-01
- 推荐系统（十二）—— 大语言模型与推荐系统 06-26
- 推荐系统（十一）—— 对比学习与自监督学习 06-21
- 推荐系统（十）—— 深度兴趣网络与注意力机制 06-16
- 推荐系统（九）—— 多任务学习与多目标优化 06-11
- 推荐系统（八）—— 知识图谱增强推荐系统 06-06
- 推荐系统（七）—— 图神经网络与社交推荐 06-01
- 推荐系统（六）—— 序列推荐与会话建模 05-27
- 推荐系统（五）—— Embedding 表示学习 05-22
- 推荐系统（四）—— CTR 预估与点击率建模 05-17
- 推荐系统（三）—— 深度学习基础模型 05-12
- 推荐系统（二）—— 协同过滤与矩阵分解 05-07
- 推荐系统（一）—— 入门与基础概念 05-02
- 自然语言处理（十二）—— 前沿技术与实战应用 04-11
- 自然语言处理（十一）—— 多模态大模型 04-04
- 自然语言处理（十）—— RAG 与知识增强系统 03-28
- 自然语言处理（九）—— 大语言模型架构深度解析 03-21
- 自然语言处理（八）—— 模型微调与 PEFT 03-15
- 自然语言处理（七）—— 提示工程与 In-Context Learning 03-09
- 自然语言处理（六）—— GPT 与生成式语言模型 03-03
- 自然语言处理（五）—— BERT 与预训练模型 02-26
- 自然语言处理（四）—— 注意力机制与 Transformer 02-20
- 自然语言处理（三）—— RNN 与序列建模 02-14
- 自然语言处理（二）—— 词向量与语言模型 02-08
- 自然语言处理（一）—— NLP 入门与文本预处理 02-03
2023
[11]
- 操作系统基础深度解析 10-05
- LAMP 与阿里云服务器详解 08-12
- Solving Constrained Mean-Variance Portfolio Optimization Problems Using Spiral Optimization Algorithm 06-20
- 云计算（八）多云管理与混合云架构 03-20
- 云计算（七）运维与 DevOps 实践 03-08
- 云计算（六）云安全与隐私保护 02-25
- 云计算（五）网络架构与 SDN 技术 02-15
- 云计算（四）云原生与容器技术 02-05
- 云计算（三）存储系统与分布式架构 01-25
- 云计算（二）虚拟化技术深度解析 01-15
- 云计算（一）基础概念与架构体系 01-05
2022
[10]
- Graph Neural Networks for Learning Equivariant Representations of Neural Networks 12-10
- HCGR —— Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation 11-02
- PDE 与机器学习（八）—— 反应扩散系统与 GNN 03-12
- PDE 与机器学习（七）—— 扩散模型与 Score Matching 03-05
- PDE 与机器学习（六）—— 连续归一化流与 Neural ODE 02-22
- PDE 与机器学习（五）—— 辛几何与保结构网络 02-15
- PDE 与机器学习（四）—— 变分推断与 Fokker-Planck 方程 02-05
- PDE 与机器学习（三）—— 变分原理与优化 01-25
- PDE 与机器学习（二）—— 神经算子理论 01-18
- PDE 与机器学习（一）—— 物理信息神经网络 01-10
2021
[25]
- 机器学习数学推导（二十）正则化与模型选择 12-17
- 机器学习数学推导（十九）神经网络与反向传播 12-11
- 机器学习数学推导（十八）聚类算法 12-05
- 机器学习数学推导（十七）降维与主成分分析 11-29
- 机器学习数学推导（十六）条件随机场 11-23
- 机器学习数学推导（十五）隐马尔可夫模型 11-17
- 机器学习数学推导（十四）变分推断与变分 EM 11-11
- 机器学习数学推导（十三） EM 算法与 GMM 11-05
- 机器学习数学推导（十二） XGBoost 与 LightGBM 10-30
- 机器学习数学推导（十一）集成学习 10-24
- 机器学习数学推导（十）半朴素贝叶斯与贝叶斯网络 10-18
- 机器学习数学推导（九）朴素贝叶斯 10-12
- 机器学习数学推导（八）支持向量机 10-06
- 机器学习数学推导（七）决策树 09-30
- 机器学习数学推导（六）逻辑回归与分类 09-24
- 机器学习数学推导（五）线性回归 09-18
- 机器学习数学推导（四）凸优化理论 09-12
- 机器学习数学推导（三）概率论与统计推断 09-06
- 机器学习数学推导（二）线性代数与矩阵论 08-31
- 机器学习数学推导（一）绪论与数学基础 08-25
- Graph Contextualized Self-Attention Network for Session-based Recommendation 08-20
- SR-GNN —— Session-based Recommendation with Graph Neural Networks 07-15
- 浅谈位置编码 05-08
- 重参数化详解与 Gumbel Softmax 深入探讨 03-25
- 变分自编码器（ VAE）详解 02-12
2020
[23]
- 矩阵低秩近似 —— 伪逆 12-03
- 核函数简述 11-18
- 近端算子 11-05
- 深入解析非线性优化中的 Lipschitz 连续性、强凸性与加速梯度下降算法 10-22
- 优化算法的演进 —— 从梯度下降到 ADAM 10-08
- 时间序列模型（八）—— Informer 长序列预测 06-15
- 时间序列模型（七）—— N-BEATS 深度架构 06-02
- 时间序列模型（六）—— 时序卷积网络 TCN 05-22
- 时间序列模型（五）—— Transformer 架构 05-12
- 时间序列模型（四）—— Attention 机制 05-02
- 时间序列模型（三）—— GRU 04-23
- 时间序列模型（二）—— LSTM 04-14
- 时间序列模型（一）—— 传统模型 04-05
- LeetCode（十）—— 栈与队列 03-10
- LeetCode（九）—— 贪心算法 03-02
- LeetCode（八）—— 回溯算法 02-23
- LeetCode（七）—— 动态规划入门 02-16
- LeetCode（六）—— 二叉树遍历与构造 02-08
- LeetCode（五）—— 二分查找 02-01
- LeetCode（四）—— 滑动窗口技巧 01-25
- LeetCode（三）—— 链表操作 01-18
- LeetCode（二）—— 双指针技巧 01-11
- LeetCode（一）—— 哈希表 01-05
2019
[51]
- Linux Vim 解析 12-25
- Linux 软件包管理 12-19
- Linux 系统服务管理 12-13
- Linux 进程与资源管理 12-07
- Linux 磁盘管理 12-01
- Linux 用户管理 11-25
- Linux 文件权限 11-20
- Linux 文件操作深入解析 11-14
- Linux 使用基础 11-08
- 计算机基础（六）：深度解析与总结 - 从底层原理到系统协作的完整指南 11-02
- 计算机基础（五）：网络、电源与实战排障 - 从硬件连接到故障诊断的终极指南 10-27
- 计算机基础（四）：主板、显卡与扩展系统 - 从接口协议到 GPU 并行计算 10-21
- 计算机基础（三）：存储系统全解析 - 从机械硬盘到固态硬盘的完全指南 10-15
- 计算机基础（二）：内存与高速缓存系统 - 从 DDR 演进到双通道优化的完全指南 10-09
- 计算机基础（一）： CPU 与计算核心 - 从数据单位到处理器架构的完全指南 10-03
- 常微分方程（十八）前沿专题与总结 06-30
- 常微分方程（十七）物理与工程应用 06-27
- 常微分方程（十六）控制理论基础 06-23
- 常微分方程（十五）种群动力学 06-19
- 常微分方程（十四）传染病模型与流行病学 06-14
- 常微分方程（十三）偏微分方程引论 06-09
- 常微分方程（十二）边值问题 06-03
- 常微分方程（十一）数值方法 05-29
- 常微分方程（十）分岔理论 05-24
- 常微分方程（九）混沌理论与洛伦兹系统 05-19
- 常微分方程（八）非线性系统与相图 05-13
- 常微分方程（七）稳定性理论 05-07
- 常微分方程（六）线性微分方程组 05-01
- 常微分方程（五）级数解法与特殊函数 04-25
- 常微分方程（四）拉普拉斯变换 04-19
- 常微分方程（三）高阶线性微分方程 04-14
- 常微分方程（二）一阶微分方程 04-08
- 常微分方程（一）微分方程的起源与直觉 04-03
- 线性代数（十八）前沿应用与总结 03-30
- 线性代数（十七）计算机视觉中的线性代数 03-26
- 线性代数（十六）深度学习中的线性代数 03-22
- 线性代数（十五）机器学习中的线性代数 03-18
- 线性代数（十四）随机矩阵理论 03-14
- 线性代数（十三）张量与多线性代数 03-09
- 线性代数（十二）稀疏矩阵与压缩感知 03-04
- 线性代数（十一）矩阵微积分与优化 02-28
- 线性代数（十）矩阵范数与条件数 02-23
- 线性代数（九）奇异值分解 SVD 02-17
- 线性代数（八）对称矩阵与二次型 02-12
- 线性代数（七）正交性与投影 02-06
- 线性代数（六）特征值与特征向量 02-01
- 线性代数（五）线性方程组与列空间 01-26
- 线性代数（四）行列式的秘密 01-20
- 线性代数（三）矩阵作为线性变换 01-15
- 线性代数（二）线性组合与向量空间 01-09
- 线性代数（一）向量的本质 01-05