李宏毅LLM——机器学习基础知识

最新推荐文章于 2024-09-29 08:50:45 发布
最新推荐文章于 2024-09-29 08:50:45 发布
阅读量956 收藏 9
点赞数 10
文章标签： 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lalala12ll/article/details/135636773
版权
本文介绍了机器学习的基本概念，区分了回归和分类问题，并详细阐述了生成式学习（如ChatGPT）的步骤，包括确定应用需求、设定函数候选集、选择评价标准（如Supervised和Semi-supervisedLearning）、优化算法及超参数调整。
摘要由CSDN通过智能技术生成

文章目录

机器学习基本概念

机器学习 = 机器自动找出一种函数
根据函数的不同，可以分为回归问题（输出数值）和分类问题（输出类别，选择题）

生成式学习 Structured Learning

生成有结构的物件，如图片、文句

ChatGPT是生成式学习，只不过是将生成式学习拆成多个分类问题来简化
在这里插入图片描述
找出函式的三大步骤
前置作业：决定需要什么样的函数，取决于需要做的应用
在这里插入图片描述

  • 设定范围：决定候选函式的集合：CNN/RNN/Transformer
    在这里插入图片描述

  • 设定标准：定出评价函式好坏的标准，Supervised Learning：资料标注，计算Loss function。Semi-supervised Learning ：有正确答案的计算差距，没有答案的计算长得像的样本的差距
    训练：找函式的过程
    测试：Loss低的函式，测试不一定好
    解决：在Loss上做额外考量，如Regularization
    在这里插入图片描述

  • 达成目标：找出最好的函式，代入Loss function中 ，让Loss最小
    需要设定好优化算法中的超参数
    在这里插入图片描述

总结

在这里插入图片描述

李日音
关注
强化学习Reinforcement Learning与传统机器学习方法对比
AI天才研究院
06-07 718
强化学习Reinforcement Learning与传统机器学习方法对比 1.背景介绍 1.1 人工智能的发展历程 1.2 机器学习的兴起
LLM大模型技术实战1：大白话带你入门机器学习
m0_70486148的博客
06-20 601
线性回归：对数值型连续随机变量进行预测和建模的监督学习算法（即最后输出的特征向量的标签是连续值），即找拟合函数特点：简单、易于理解和实现，基于线性假设建立输入和输出之间的关系。应用场景：预测房价、股票价格、温度等连续值问题。优点：计算效率高，模型可解释性强。缺点：假设数据符合线性关系，对于非线性问题需要转换或采用其他方法。支持向量机 (SVM)：目标在于在空间中寻找一个超平面，使得数据集可以被超平面分开，从而完成分类任务特点：能够处理线性和非线性问题，通过核技巧可以解决非线性分类问题。
大语言模型(LLMs)和新兴机器学习技术栈
Baihai_IDP的博客
03-20 1912
过去，NLP开发人员依赖于文本分类、命名实体识别和命名实体消歧等技术栈来优化NLP任务。然而，随着大语言模型(LLM)的快速发展，新的技术栈开始出现，以支持和加速这些大型语言模型的实现和应用。 让我们一起跟随Langchain的开发者，共同探讨LLM及NLP技术栈正在发生的变化，以及这一系列变化对开发者的意义
大语言模型 (LLM)是什么_
2201_75571291的博客
06-15 997
2023年，让整个人类最为振奋的AI技术就是ChatGPT。“大语言模型（Large Language Model）”这个词也随之映入人们的眼帘。ChatGPT让人觉得惊艳之处，能够结合上下文，像人一样有逻辑性地回答问题，就算生成超长的文本也不会跑偏。）是一种机器学习算法，它可以根据给定文本来预测下一个词语或字符的出现的概率，通过大量的文本数据来学习语言的统计特征，进而生成具有相似统计特征的新文本。
【大模型应用极简开发入门（1）】LLM概述：LLM在AI中所处位置、NLP技术的演变、Transformer与GPT、以及GPT模型文本生成逻辑
hiliang521的博客
04-20 1478
【大模型应用极简开发入门（1）】LLM概述：LLM在AI中所处位置、NLP技术的演变、Transformer与GPT、以及GPT模型文本生成逻辑
李宏毅LLM——ChatGPT原理剖析
lalala12ll的博客
01-16 586
ChatGPT原理剖析。 - 直观感受：结果有模有样、每次输出结果都不同、可以追问、幻想出的答案 - 误解：罐头回答、答案是网络搜索的结果 - 真正做的事：文字接龙，function，几率分布 -> 采样
李宏毅【课件PPT】
12-07
通过结合李宏毅老师的视频讲解，并亲自推导和实践课件中的公式，学习者可以建立起坚实的理论基础，掌握实际操作技能，从而在机器学习领域不断精进。无论是初学者还是有一定基础的研究者，都能从中受益匪浅。
多模态大模型：技术原理与实战 在LLM时代，对软件研发的更多思考————从软件 1.0 迈向软件 2.0 时代
AI天才研究院
06-29 885
软件1.0 vs 软件2.0 - **软件1.0**：传统的软件开发方法，通过人工编写明确的**程序逻辑和规则**来实现功能。 - **软件2.0**：利用AI和机器学习技术，通过**训练模型来"学习"如何执行任务，而不是显式编程**。在这种范式下，软件的行为更多地**由数据和学习算法决定，而不是固定的规则。**
一切皆是映射：多任务元学习和知识迁移
AI天才研究院
06-16 387
一切皆是映射：多任务元学习和知识迁移 1. 背景介绍 1.1 人工智能的发展历程 1.1.1 早期人工智能 1.1.2 机器学习的兴起
LLM大模型综述
热门推荐
zh515858237的专栏
01-10 2万+
LLM其实就是large language model，大语言模型。如果对“最终任务”进一步进行分类，又大致可以分为两大不同类型的任务：自然语言理解类任务和自然语言生成类任务。如果排除掉“中间任务”的话，典型的自然语言理解类任务包括文本分类、句子关系判断、情感倾向判断等，这种任务本质上都是分类任务，就是说输入一个句子（文章），或者两个句子，模型参考所有输入内容，最后给出属于哪个类别的判断。自然语言生成也包含很多NLP研究子方向，比如聊天机器人、机器翻译、文本摘要、问答系统等。
什么是大型语言模型（LLM）？
Hyatt的博客
03-15 1203
大型语言模型 (LLM) 是一种人工智能 (AI)人工智能 (AI)人工智能 (AI)程序，它可以识别和生成文本以及完成其他任务。LLM 经过了庞大的数据集庞大的数据集庞大的数据集的训练，因此称之为“大型”。LLM 在机器学习机器学习机器学习的基础上构建：具体来说，它是一种称为 Transformer 模型的神经网络神经网络神经网络。简单地说，LLM 是一个计算机程序，已经为它提供了足够多的示例，使它能够识别和解释人类语言或其他类型的复杂数据。
最新 | Ask Me Anything 一种提示(Prompt)语言模型的简单策略（斯坦福大学 & 含源码）
yinizhilianlove的博客
10-08 1738
提示(Prompt)的微小变化就会引起大型语言模型(LLM)较大的性能变化，这将会有大量时间花费在提示（prompt）设计上。为此本文提出了ASK ME ANYTHING(AMA)方法，该方法首先产生多个有效且不完美的prompt，然后将它们进行聚合，最后产生高质量的提示(prompt)。
转载知乎的为什么机器学习的教程多倾向python
abcd1101的专栏
05-05 788
作者：蔡磊 链接：https://www.zhihu.com/question/30105838/answer/47101367 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 Matlab是进行研究机器相关研究的最好语言，几乎没有之一。然而，价格不菲。于是，学者们将视线转到了Python。 有个学者是做机器学习的，但不是计算机专业出身。对于他来说，最直接的需...
机器学习笔记 - week6 -（十一、机器学习系统的设计）
qq_24428851的博客
09-27 838
值，假设我们使用一种需要大量参数的学习算法，比如有很多特征的逻辑回归或线性回归，或者用带有许多隐藏单元的神经网络，那又是另外一种带有很多参数的学习算法，这些都是非常强大的学习算法，它们有很多参数，这些参数可以拟合非常复杂的函数，因此我要调用这些，我将把这些算法想象成低偏差算法，因为我们能够拟合非常复杂的函数，而且因为我们有非常强大的学习算法，这些学习算法能够拟合非常复杂的函数。于是他们把诸如这样的机器学习问题，当做一类监督学习问题，并尝试将其分类，什么样的词，在一个英文句子特定的位置，才是合适的。
0基础跟德姆（dom）一起学AI 机器学习02-KNN算法
最新发布
chrisfanallin的博客
09-29 979
AI全流程带你玩 0基础带你学人工智能相关软件，讲解机器学习、深度学习、大模型等人工智能领域核心知识。 帮助想了解，或者正在AI赛道成长的你。
机器学习：探索未知边界，解锁智能潜力
2301_79181030的博客
09-28 927
在这个日新月异的科技时代，机器学习作为人工智能领域的核心驱动力，正以前所未有的速度改变着我们的世界。从智能家居的个性化推荐到自动驾驶汽车的精准导航，从医疗诊断的辅助分析到金融市场的风险预测，机器学习技术以其强大的数据处理能力和自我优化特性，不断拓宽着人类认知与应用的边界。未来，我们有望看到更加智能、高效、人性化的机器学习应用不断涌现，为人类社会带来更多的便利和福祉。通过对用户行为数据的深度挖掘和分析，金融机构能够更准确地评估贷款风险，及时发现潜在的欺诈行为，并为用户提供更加个性化的理财建议。
李宏毅教授详解机器学习入门与深度学习基础
本资源是一份由台湾教授李宏毅(Hung-yi Lee)针对机器学习初学者设计的深入浅出的教程，以“机器学习入门”为主题。课程内容涵盖了深度学习的基础技术，包括讲座IV至讲座I，从“Next Wave”到“Introduction of Deep ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值