2302_79896301的博客

但这样会有一个问题，在bert训练时候可以通过<mask>来学习，但是在下游任务微调的时候，也就是fine-tuning时候，数据中没有<mask>这个东西，所以有了下面的东西。迁移学习前做好的工作所抽取的特征是个比较底层的特征，一般当作embedding用，做自己的工作时需要构建新的网络来抓取新任务需要的信息。最终，模型会生成一个对应于 <cls> 的输出向量，这个向量包含了对整个句子对的理解。想研发相似于CV方面的，基于微调的NLP模型，除了输出层，其他层的参数我是可以复用的，我可以挪到其他任务中去。

Python学习路线一：Python基础Linux基础，Python基础语法，Python字符串，文件操作，异常处理，Python面向对象，项目实战。

如果垂直领域存在不通用的知识，垂直领域中的知识具有特殊性，不能完全由通用大模型来表达，那么就需要有更专业的模型对领域中专业知识进行抽象，垂直领域中的knowhow需要有针对性的算法，此时的算法也就必须有相应的独特性，其向量空间就需要满足专业知识的要求，要与领域专业知识模型紧密结合，从而直接决定了应用的表现，这样就需要在应用系统建设中采用。通用大模型是对普遍知识的抽象，如果垂直领域的知识模型可以完全由通用大模型支撑，那么基于通用大模型构建领域应用是完全可行的，此时的算法可以被看做是行业应用中的公共基础软件。

基于超过千亿精细化Token训练，满足高质量数据要求和精细化数据处理，为医学科研、临床辅助等方面进行赋能，新一代科研数据平台能够从AI阅读总结文献、自然语言病历搜索到智能数据加工、自动化统计分析、论文初稿智能生成等全面支持临床科研人员，将科研产出论文周期从6-12个月加速至1-2月。该大模型拥有380亿参数量，基于中医药海量文本数据预训练，结合向量库检索强化，以及中药研发多场景的微调，能够更好地帮助研究者完成中医药理论证据的挖掘和总结，推动中医药现代化发展。AI大模型辅助流行病学的大数据分析及趋势判断。

项目演练：人脸检测数据源制作与网络训练（基于Caffe）项目演练：关键点检测第一阶段网络训练（基于Caffe）项目演练：关键点检测第二阶段模型实现（基于Caffe）项目演练：LSTM情感分析（基于Tensorflow）项目演练：对抗生成网络（基于Tensorflow）项目演练：机器人写唐诗（基于Tensorflow）项目演练：文本分类实战（基于Tensorflow）项目演练：强化学习基础（基于Tensorflow）4.凸优化（看不懂不要紧，掌握基础即可）项目演练：实现人脸检测（基于Caffe）

在数据分析领域，可视化不仅是数据展示的手段，更是数据探索和解释的重要工具。Python作为一门功能强大的编程语言，拥有众多优秀的库来支持数据分析与可视化，如Pandas、Matplotlib、Seaborn、Pyecharts等。Pandas是Python中用于数据分析的核心库，提供了快速、灵活和表达力强的数据结构，旨在使“关系”或“标签”数据的处理工作变得既简单又直观。此外，Seaborn还提供了许多用于统计数据可视化的函数，如分布图、关系图、分类图等，这些函数能够更直观地展示数据的统计特性和关系。

定义深度学习（Deep Learning, DL）是机器学习的一个分支，它利用多层神经网络对数据进行特征提取和模式识别。深度学习通过构建和训练多层神经网络，能够自动从数据中提取高层次的抽象特征，从而在图像识别、语音识别、自然语言处理等领域取得了显著的成果。深度学习的基础结构1. 人工神经网络（Artificial Neural Networks, ANN）ANN是深度学习的基础结构，模仿生物神经网络的工作原理，由输入层、隐藏层和输出层组成。

综述。

【代码】用逻辑回归分析肿瘤数据集。

隐藏层:激活函数是relu，输入大小为input_shape指定。#通过madel.summary查看模型架构。#设置模型相关参数,优化器，损失函数和评价指标。#将iris转换为dataframe数据。#利用sequential方式构建模型。#隐藏层2,激活函数是relu。#tf.keras中使用的相关工具。#将数据集划分为训练集和测试集。#sklearn中相关工具。#将数据之间关系进行可视化。#使用tf.keras实现。#构建模型的层和激活方法。#划分训练集和数据集。#数据处理和辅助工具。

【代码】pandas作图基础学习笔记(适合pandas入门)

total_correct += (predicted == labels).sum().item() # 统计正确预测的数量。total_correct += (predicted == labels).sum().item() # 统计正确预测的数量。transforms.Normalize((0.5,), (0.5,)), # 对数据进行归一化处理。transforms.Normalize((0.5,), (0.5,)), # 对数据进行归一化处理。

引言：用seaborn绘制鸢尾花数据集的种类分布图。4.特征工程-数据预处理。5.机器学习-knn。

product = hr.iloc[(hr['部门'].values=='产品开发部') & (hr['离职'].values==1), :]ax = sns.scatterplot(x='评分', y='每月平均工作小时数（小时）', data=product)sns.scatterplot(x='评分', y='每月平均工作小时数（小时）',hue='薪资',markers = {'低' : 'o', '中' : 'D', '高' : 's'}

该专家系统的研制成功不仅为人们提供了一个实用的专家系统，而且对知识表示、存储、获取、推理及利用等技术是一次非常有益的探索，为以后专家系统的建造树立了榜样，对人工智能的发展产生了深刻的影响，其意义远远超过了系统本身在实用上所创造的价值。从此，人工智能的第二个寒冬降临了。对知识的表示、利用及获取等的研究取得了较大的进展，特别是对不确定性知识的表示与推理取得了突破，建立了主观Bayes理论、确定性理论、证据理论等，对人工智能中模式识别、自然语言理解等领域的发展提供了支持，解决了许多理论及技术上的问题。