UMAP 算法

• 全称为均匀流形近似与投影，Uniform Manifold Approximation and Projection
• UMAP 是一种基于黎曼几何和代数拓扑理论框架的数据降维与可视化算法
• UMAP 能同时捕捉数据的局部和全局结构，可拓展性强，对嵌入维度没有限制
• MAP 不具备PCA 或因子分析等线性技术可以提供的解释性（因子载荷）

UMAP 定义的概念解释与补充：

1. Uniform 均匀假设：通过空间的扭曲，对样本稀疏/密集的位置进行收缩或拉伸
2. Manifold 流形：一种拓扑空间，每个点的附近局部类似于欧几里得空间
3. Approximation 近似：用一组有限的样本组

Read more

t-SNE 算法

• 全称为 t 分布-随机邻近嵌入（t-distributed Stochastic Neighbor Embedding）
• 该算法将高维空间中的数据映射到低维空间中，并保留数据集的局部特性
• t-SNE 算法能够捕捉数据间的非线性关系，数据可视化效果好，常用于探索性数据分析
• t-SNE 算法的缺点主要是占用内存较多、运行时间长，容易丢失大规模信息 (集群间关系)

算法过程概述：

1. 计算原始高维空间中数据点之间的相似度：对于样本 $i$，算法会使用以 $i$ 为中心的高斯分布来计算其他数据点的条件概率 $P_{j|i}$，进而得到样本 $i$ 和样本 $j$ 在高维原

Read more

Pydantic 是目前最流行的 Python 数据验证工具

• Python 作为一种动态类型语言，在开发和易用性上存在优势
• 因此也需要对程序进行功能更强大的类型检查和数据验证

Pydantic 的特点

1. 自定义与扩展：可用于任意 Python 对象的数据类型验证，支持嵌套结构
2. 验证的灵活性：类型丰富，验证的时间点灵活，严格模式 vs 宽松模式
3. 序列化：Pydantic 对象支持序列化和反序列化为字典和 JSON 字符串
4. 高性能：核心验证逻辑基于 Rust 编写，性能出色且可靠，

Read more

仅搜集收录了部分个人感兴趣的文章，并进行简单记录

1 概念科普

1.1 人工智能有利于 ICU 的血流动力学管理

2025年01月03日 17:

Read more

调查问卷分析的一般流程：

1. 初步设计调查问卷并严格评估合理性，比如文献研究，对象访谈，Delphi 专家函询
2. 针对少量人群（40~60 人）展开预调查，了解调查问卷设置条目的合理性，完整性和可理解性
3. 确保预调查结果质量，包括调查内容审核录入与信效度分析（此步骤也适用于正式调研阶段）
4. 估计样本量，确定调查人群，完成调查员培训，分配调查任务并展开具体的正式调查
5. 对调查结果进行数据分析，包括分布描述，独立性检验，方差分析，相关性分析，多因素分析等
6. 根据初步分析结果，进行整理和深入的分析，得到可验证的结果，最后撰写调查报告

De

Read more

• 这张新地图名为Bedmap3，是基于两项先前研究(Bedmap1和Bedmap2)的成果升级而来。研究团队汇总了超过60年间来自卫星、飞机、船只和狗拉雪橇的数据，并额外整合了5200万个新数据点，对原有结果进行了精细修正。研究成果于3月10日发表在《Scientific Data》期刊上
• Bedmap3以彩色编码显示南极大陆基岩的海拔高度，清晰呈现了最高的山脉和最深的峡谷。地图的分辨率达到了前所未有的精度，为此前研究较少的地区(如南极点附近)提供了更多细节。
• 这项研究还揭示了南极冰盖与漂浮在大陆边缘的冰架的精确形状。地图显示，南极冰盖整体比之前估计的更厚，且有更大体积的冰层依附在低于海

Read more

中文标题：医院智能体：可用于医疗智能体进化的模拟医院

英文标题：Agent Hospital: A Simulacrum of Hospital with Evolvable Medical Ag

Read more

Agent：能够自主收集信息、制定计划并执行动作的智能体

• 3 个特征：感知、规划和行动
• 5 个要素：LLMs，逻辑链，记忆，知识，工具

Agent 分层：

• Agent 专家 = LLMs + RAG + Tools
• Agent 团队 = 多个 Agent + 任务分配 + 管理协作
• Agent 企业 = 多个 Agent 团队 + 自适应决策 + 监控与运维

Agent 分类

Read more

前置知识： 10.《动手学深度学习》注意力机制

普通线性注意力

原始 Tansformer（左） VS 线性 Tansformer（右）：

• N：序列长度，在自然语言处理任务中，指句子中 Token 或词的数量。
• d：特征维度，即每个元素（如单词的词向量）的维度。
• O(N²d)、O(Nd²) ：计算复杂度。大 O 描述了计算量随输入序列变长的增长速度，如 O(N²d) 表示计算量与 N² 和 d 成正比 。
• Q（Query）：“查询” 矩阵，用于在自注意力机制中向其他元素询问相关

Read more

大语言模型（LLMs）的上下文学习：经过预训练的 LLMs 能根据文本提示或任务示例来直接对下游任务进行预测，而无需更新模型权重，这种能力也被称为上下文学习（in-context learning，ICL）或语境学习

简单来说，ICL 就是在不更新模型参数的前提下，通过输入经典示例作为提示来增强模型的能力

以情感分析为例，来说明 ICL 的一般流程（图源）：

• ICL 需要一些示例来形成一个用于情景演示的上下文，作为提示输入来增强 LLMs
• ICL 示例一般用自然语言模板编写，并拼接真实的输入查询（Text）与结果（Label）

ICL 的分类：

• Few-shot learning，

Read more