- 博客(15)
- 收藏
- 关注
RSS订阅原创 Datawhale AI 春训营：光伏功率预测竞赛中的数据处理与建模经验
在LightGBM中，通过应用此损失函数。数据一致性：训练和测试数据的特征必须完全一致，任何特征缺失都会导致模型预测失败。时间序列处理：时序数据的插值、滞后特征和交叉验证需要特别注意，避免数据泄漏。调试技巧：打印特征列、数据长度等信息是定位问题的利器。提交格式：严格按照比赛要求检查输出文件的行数和列名，避免低级错误。虽然过程中踩了不少坑，但每解决一个问题都让我对数据处理和建模有了更深的理解。如果你也在参加类似比赛，欢迎留言交流经验！也期待大家在评论区分享自己的光伏预测技巧～附：完整代码。
2025-04-19 16:04:16
904
1
原创 LLM学习日志2025.3.6（下）
上午学习了LLM的三个主流架构 以及RLHF 的流程，下午 学习一下北京大学的deepseek文档 ，关于 提示词工程及相关的 应用前面的知识基本上都是提示技巧，对我而言 ，就这个反向pua 也就是 让 其自己评估自己的回答不断精进 这一点可以采用。突然想到我的 md 文档要进行上传， 但是我的图片不会跟着上传， 我应该做一个图库了ok 已经完全解决了 ，采用的github 作为仓库，整个过程还是挺顺利的这下面是从grok 那里得到的步骤。
2025-03-06 17:43:53
1112
原创 LLM学习日志 2025.3.6
核心目标：自回归建模（生成）、掩码建模（理解）、序列到序列（转换）。趋势：从单一预训练目标转向多阶段优化（预训练→指令微调→RLHF）。面试重点：理解不同目标的原理、优缺点，并能结合实际模型（如GPT vs BERT）对比分析。总结来说，这一部分其实和上一部分有些重复。根据三种不同 的主流架构 ，训练的目标也不一样，这也决定了模型的训练方式不一样。如Encoder only 关注于 上下文的理解 ，因此 关注的目标是 文本理解 ，也就是掩码语言建模。
2025-03-06 11:08:39
655
原创 快速幂的学习与反思
最开始的思路为高精度，但是后来一想，若按高精度乘法进行，时间复杂度就要爆炸（再多看一眼就要爆炸）。因此一眼快速幂高精度。但是仔细一想，所有的运算结果都要对10007取模，好像也用不到高精度，只需要对利用数组存一下y就可以了。：这里我们和传统的快速幂稍有不同，但是借用了快速幂的思路。传统快速幂使用的2进制的，base = base^2，为了方便我们每次取y的一位拿来计算，我们可以将其更改为十进制的。base,base10,base100...等等进行计算。
2022-10-11 08:53:14
140
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人