- 博客(47)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 机器学习(十八)：Bagging和随机森林
本文深入探讨了集成学习及其在随机森林中的应用。对集成学习的基本概念、优势以及为何它有效做了阐述。随机森林，作为一个集成学习方法，与Bagging有紧密联系，其核心思想和实现过程均在文中进行了说明。还详细展示了如何在Sklearn中利用随机森林进行建模，并对其关键参数进行了解读，希望能帮助大家更有效地运用随机森林进行数据建模。
2023-08-09 10:32:10
1341
4
原创 大模型开发(十六)：从0到1构建一个高度自动化的AI项目开发流程(中)
本文作为构建高度自动化AI项目开发流程的第二步优化，通过LtM提示流程，解决了根据用户需求，自动构建符合要求的函数，并通过示例一步一步的完整测试了code_generate函数功能。
2023-08-03 09:20:03
2208
3
原创 OpenAI开发系列（十五）：AI敏捷开发的新范式：利用大模型优化和自动化应用开发流程(上)
本文目标：提出一种利用大语言模型(LLMs)加快项目的开发效率的解决思路，本文作为第一部分，主要集中在如何完整的执行引导Chat模型创建外部函数代码、代码管理以及测试的全部流程。对于AI开发流程来说，还需要更多的探索和要求需要借助AI介入，将大语言模型应用于软件开发流程以提高软件开发效率，本身也是大语言模型目前非常热门的应用方向**。大语言模型强悍的人类意图理解能力和代码编写能力，会使开发工程师能够在大语言模型的加持下大幅提高开发效率。
2023-08-01 09:07:33
1711
原创 OpenAI开发系列（十四）：通过Google API赋能大模型，打造智能邮件助理
本文为读者提供了一个结合OpenAI的Chat模型和Google API来开发智能邮件应用程序的详细教程。这一方法不仅展示了如何将两种强大的工具相结合，还提供了具体的代码示例和开发流程。Google API在应用开发中提供了许多强大的功能，结合OpenAI的Chat模型，开发者可以创建出更为强大和智能的应用。在本文中，作者展示了如何利用这些工具开发一个AI应用程序，该程序可以智能地收发邮件。总的来说，这篇文章为那些希望开发基于Google API的AI应用程序的开发者提供了一个详细的教程和实例，有助
2023-07-29 10:09:25
920
原创 OpenAI开发系列（十三）：利用Function calling功能开发基于大模型的实时天气查询助手
本篇文章讲述了如何在OpenWeather注册并获取API key，同时解释了什么是外部工具API以及OpenWeatherAPI的基本介绍。之后，详解了OpenWeather API的使用方法，包括API功能说明、计费规则以及实时天气查询API的调用方法。在此基础上，展示了如何使用Function calling来实现Chat模型的实时天气查询，最后介绍了如何使用Few-shot提示来优化函数。此内容为实现Function calling调用外部工具API，具有参考和启发价值。
2023-07-26 10:42:52
1739
原创 OpenAI开发系列（十二）：Function calling功能的流程优化与多轮对话实现
本文首先概述了Function calling流程的优化思路，接着分别详细介绍了两种主要的优化方法：自动编写函数和编写自动应答函数。这两种优化方法可以显著提高Function calling的效率和实用性。最后，演示了如何实现一个多轮对话函数。
2023-07-25 10:31:54
2309
2
原创 OpenAI开发系列（十一）：Function calling功能的实际应用流程与案例解析
本文给出了Chat Completions模型中Function calling功能的背景，然后详细讲解了Function calling的实现过程。这包括如何构建Chat外部函数库，包括字符串形式、Json形式和函数形式的传入，还解释了如何定义functions，包括JSON与JSON Schema对象和构建外部函数的Json Schema描述。最后，对Function calling的功能实现进行了详细介绍，并对整个流程进行了总结，提供了全面且深入的理解和应用Function calling功能的指导。
2023-07-24 11:25:41
4345
3
原创 # OpenAI开发系列（十）：Chat Completion Models API详解与构建本地知识库问答系统实践
文章从介绍Chat Completion Models开始，阐述了其与Completions Models的关系及其发展历程。深入解读了Chat Completions Model API，包括调用示例及参数详解。在此基础上，专门对messages参数进行了详解，包括参数结构，以及message中的角色划分。并且，提供了丰富的message参数应用实例，如借助多轮user-assistant消息进行few-shot，使用system role进行Few-shot，输入提示模板，设置聊天背景信息，以及使用.a
2023-07-23 13:46:00
4312
4
原创 OpenAI开发系列（九）：LtM提示工程如何用于数据建模
文章从介绍和数据背景开始，分析了SCAN数据集的形式、难度和建模难度。随后，文章详细解构了针对SCAN数据预测的LtM提示流程，包括数据集的下载，以及尝试使用Zero-shot、Few-shot、Zer-shot-LtM的方法。特别关注了使用few-shot-LtM进行复现的过程，其中详细展开了指令拆解和指令翻译的技巧。最后，提供了SCAN数据集的完整预测流程，对于理解和掌握LtM提示工程在实际任务中的应用具有重要价值。
2023-07-21 16:25:23
990
4
原创 OpenAI开发系列（八）：基于思维链(CoT)的进阶提示工程
本篇文章首先引入了四个经典推理问题，然后详细讲解了One-shot与Few-shot提示学习法。核心部分是思维链提示法，包括Zero-shot-CoT提示方法、Few-shot-CoT提示方法，以及CoT的改良方法LEAST-TO-MOST PROMPTING（LtM提示法）。这些深度的内容旨在帮助理解和掌握更加进阶的提示工程技巧，以便在大模型开发中实现更高效的应用和优化。
2023-07-19 16:27:34
1735
原创 OpenAI 开发系列（七）：LLM提示工程（Prompt）与思维链（CoT）
本文首先揭示了LLM模型的涌现能力，阐述了如何通过提示工程和微调来激发大模型的涌现能力。接着深入讨论了提示工程的各个方面，包括其误区、语言提示工程、代码提示工程，以及多种提示方法，如经典的小样本提示、思维链提示、CoT+Few-shot提示和STaR Fine-Tune提示法。文章最后探讨了模型的推理能力，对于理解和应用LLM模型来说，这些知识都具有重要的参考价值。
2023-07-18 20:03:09
3109
2
原创 OpenAI开发系列（六）：Completions模型的工作原理及应用实例（开发多轮对话机器人）
文章详细阐述了OpenAI的Completions与Chat Completions模型的基本概念与模型类。接着，对Completion.create API进行了深度解析，包括参数详解、代码测试以及参数调参实践，特别是对n、temperature、presence_penalty、best_of等参数的详细讲解。最后，以Completion.create函数为基础，实现了具有可调节对话风格的多轮对话机器人，展现了AI对话系统的灵活性。掌握这些知识，对优化AI对话系统具有重要的指导意义。
2023-07-18 10:19:31
3635
1
原创 OpenAI开发系列（五）：实现Jupyter本地环境下的OpenAI API调用
本文对OpenAI的官网结构做了讲解，并对如何使用Jupyter实现本地调用API给出了实现方案
2023-07-17 21:46:58
2092
原创 机器学习(十七)：实操_在Sklearn中的实现CART树的基本流程
本篇文章主要介绍了在Sklearn库中实现CART分类树和回归树的基本流程。详解了CART分类树的各个参数，包括模型评估类参数、树结构控制类参数以及迭代随机过程控制类参数，并给出了在Sklearn中调用CART分类树的实例。其次，阐述了CART回归树的建模流程和criterion参数的不同取值，也同样提供了Sklearn的调用示例。
2023-07-17 15:49:49
781
原创 OpenAI 开发系列（四）：掌握OpenAI API调用方法
本文明确如何获取和存储API keys，并进行连通性测试，确保正常使用。接着，介绍了OpenAI API的基本参数，尤其是针对GPT3.5和GPT 4的接口深入讲解了各种API的使用方法，包括Completions、Chat Completions以及Images的基本调用方式，并为Chat Completions实现多轮对话提供了思路。在应用示例部分，提供了如何创建编程问题解答助手以及如何计算消耗的Tokens。
2023-07-15 17:14:45
32007
24
原创 机器学习(十六)：决策树
在这篇文章中，详细介绍了决策树的基本概念、构建及生长过程。对分类规则评估指标，包括分类误差、信息熵和基尼系数的计算及其作用做了介绍。最后，深入分析了三种主要的决策树算法：ID3、C4.5和CART，以及它们的建模流程。希望能帮助到大家对决策树有一个清晰的理解。
2023-07-14 16:05:39
3519
1
原创 OpenAI开发系列（三）：OpenAI的大模型生态介绍
这篇文章为读者提供了关于OpenAI大模型生态的全面了解，详细介绍了多种模型及其特点。对于希望深入了解OpenAI模型和应用的开发者来说，这篇文章提供了宝贵的信息和指南，帮助他们做出明智的选择。
2023-07-12 23:14:12
2081
3
原创 机器学习(十五)：超参数调优高阶_贝叶斯优化(附代码)
这篇文章解释了超参数优化的高阶内容 -- 贝叶斯优化的基本原理和流程，并对三种主流的贝叶斯优化库——Bayes_opt、HyperOpt 和 Optuna进行了实操演示，希望通过本文，大家能真正理解到贝叶斯优化的工作原理和如何用它来求解函数的最小值，并且学会在超参数优化任务中如何实际应用贝叶斯优化。
2023-07-12 15:00:27
1800
4
原创 机器学习(十四)：超参数调优进阶_RandomizedSearchCV和HalvingSearchCV
本文从理论角度分析了传统的枚举网格搜索的局限性，介绍了两种更加高效的超参数搜索方法：RandomizedSearchCV和HalvingSearchCV。详解了它们的工作原理，参数设置以及使用场景，并通过具体的Kaggle比赛案例，帮助读者更直观地理解这两种方法的优势与局限性。阅读完本篇文章后，您应该能够掌握到RandomizedSearchCV和HalvingSearchCV的基本概念和工作原理，并能够在具体的机器学习问题中，根据自身的需求和计算资源的限制，选择和使用合适的超参数搜索方法。此外，还将学
2023-07-11 18:02:13
1299
1
原创 机器学习(十三)：超参数调优入门_枚举网格搜索
在这篇文章中，讲解了机器学习中的超参数调优问题，特别是如何运用网格搜索和交叉验证来寻找最优的模型参数。通过阅读此文，你应该掌握了手动与自动调参的差异，调参与模型过拟合和欠拟合的关系，如何定义和构建参数空间，以及如何使用Scikit-Learn进行网格搜索。这些知识将帮助你更有效地优化机器学习模型的性能和泛化能力
2023-07-07 10:32:25
598
3
原创 机器学习(十二)：正则化与过拟合(附代码实例)
本文深入探讨了过拟合、欠拟合及其平衡，理解了正则化的基本概念并展示了其在防止过拟合中的作用。我们通过实验验证了正则化（如岭回归、Lasso回归）在缓解过拟合和提高模型泛化能力上的有效性。总结来说，正则化是一种强大的工具，能帮助我们构建出在未知数据上表现良好的模型。
2023-07-05 13:33:58
847
原创 机器学习(十一)：Scikit-learn库的基础与使用
详细解释了Scikit-learn的一些基础用法，包括它的定义、安装、核心对象类型（评估器）和关键特性（如数据预处理，数据集切分，数据标准化和归一化），并学习了如何实现线性回归模型，包括了解超参数的概念，以及如何保存和加载模型，希望通过本文，能帮助大家对Scikit-learn有一个更深入的认识。
2023-07-03 16:45:25
9381
5
原创 机器学习(十)：分类模型的评估指标
本文全面探讨了分类模型的多种评估指标，包括准确率、精确度、召回率、F1分数，混淆矩阵，以及ROC曲线和AUC值。
2023-06-30 17:12:24
668
1
原创 一文学会：使用ChatGPT做XMind思维导图
这篇文章为你提供了一种全新的思维导图制作方式：使用ChatGPT生成XMind。详细介绍了如何将ChatGPT与XMind工具结合起来，以自动化的方式制作出丰富、精细的思维导图。不仅提供了具体的操作步骤，还配有易于理解的图片示例。只需花费25分钟阅读，就能掌握这种提升工作效率的方法。如果你还在手动绘制XMind，这篇文章将会为你的工作带来至少80%的效率提升
2023-06-27 21:35:40
254
原创 OpenAI开发系列（一）：一文搞懂大模型、GPT、ChatGPT等AI概念
揭示了人工智能、大模型、GPT、以及ChatGPT的概念及它们潜在关系。希望这篇文章为你解开了这些概念的纷繁复杂
2023-06-27 13:05:26
15764
1
原创 机器学习(九)：学习率与学习率调度
在这篇文章中，探讨了学习率以及学习率调度策略的基本概念，以及其对于梯度下降优化算法的重要性。学习率调度策略与随机或小批量梯度下降的结合使用，可以在保证模型收敛的同时，提高训练的效率和最终模型的性能。
2023-06-26 12:24:50
417
原创 机器学习(八)：梯度下降优化_数据归一化
本篇文章深入探讨了数据归一化在机器学习，特别是在优化梯度下降算法中的重要性。详细介绍了最常用的两种数据归一化技术——0-1标准化和Z-score标准化，并讨论了它们各自的特性。通过具体的案例展示了归一化如何影响梯度下降的迭代过程，以及如何通过改善梯度下降的收敛性能，从而提高模型的训练效率和性能。
2023-06-25 13:25:46
356
2
原创 保姆级Windows安装Photoshop AI Beta教程
这篇文章将引导读者详细了解如何注册Adobe帐户，安装Creative Cloud应用，进一步安装Photoshop beta版本，以及最后激活Photoshop Beta Ai的步骤。目标是使读者能够顺利地在自己的设备上安装并启用Photoshop Beta Ai，从而充分利用其强大的图像处理和编辑功能。
2023-06-19 10:13:24
644
原创 机器学习(七)： Bias、Error和Variance的区别与联系
这篇文章首先介绍了基础概念，包括偏差（Bias）、方差（Variance）和误差（Error），每个概念的定义和详细解析。然后，深入探讨了偏差，方差以及误差之间的关系，特别强调了偏差-方差权衡的概念，提供了相关的数学推导，并进行了深入解析。这篇文章旨在帮助读者更好地理解偏差，方差，误差之间的关系，并了解如何在机器学习模型中平衡这些因素
2023-06-19 10:05:54
941
原创 机器学习(六)：梯度下降
们深入讨论了逻辑回归中的关键优化技术——梯度下降，及其主要变体：批量梯度下降、随机梯度下降和小批量随机梯度下降。该文连接了系列前两篇文章的理论基础，解释了为何需要引入梯度下降等优化方法，并详细讲解了这些方法的工作原理、优劣势及其在不同应用场景中的表现。
2023-06-15 14:06:57
721
原创 轻松学习ChatGPT：告诉你为什么它能改变你的生活
本文将为你揭示ChatGPT的魅力 - 一个可以在生活、工作等各个方面助你一臂之力的人工智能工具。你将了解到ChatGPT的由来、发展历程和功能，并发现它不仅仅是面向技术人员的工具，任何人都可以利用它来提升各方面的能力。
2023-06-14 23:33:18
853
原创 机器学习(五)：极大似然估计与交叉熵损失函数
在本篇文章中，我们深入探讨了逻辑回归的核心概念：极大似然估计和交叉熵损失函数。我们通过实例逐步解释了如何从这两种不同的角度来推导出逻辑回归的损失函数，并实现了整个过程的详细数学推导。 尽管这两种方法的出发点和推导过程不同，但它们都是以最大化样本数据似然性或最小化预测与真实标签之间的差异为目标，从而得到最优的模型参数。这不仅揭示了不同统计学习方法的内在联系，也让我们对逻辑回归模型有了更深入的理解。
2023-06-12 11:07:28
426
1
原创 机器学习(四)：逻辑回归的理论基础
本文深度探讨了逻辑回归的理论基础和计算过程。首先，我们从广义线性模型的视角出发，通过探讨线性回归和正态分布，介绍了广义线性模型的定义。然后，我们通过对数几率的视角理解逻辑回归，并推导出了逻辑回归标准形式。在此基础上，我们详细介绍了逻辑函数（Sigmoid函数）及其性质，包括其一阶导数的推导，逻辑函数的图像，以及逻辑函数的性质。最后，我们模拟实现了逻辑回归的计算过程，通过可视化对比展示了线性回归与逻辑回归的区别。
2023-06-09 09:40:49
574
1
原创 时间序列模型(五)：时间序列案例_实现销售额预测
本文主要讲述了如何使用ARIMA和SARIMA模型对Perrin Freres香槟公司的销售数据进行时间序列预测。通过对1964年到1972年的数据进行分析，我们处理了缺失值，进行了单位根检验和差分，然后利用ACF和PACF确定模型参数。通过超参数搜索，我们选择了最优的模型进行预测。最后，我们保存了训练好的模型，并使用它进行未来的销售预测。
2023-06-07 12:47:28
6713
3
原创 时间序列模型(四)：ARIMA模型
本篇文章详细深入解析了ARIMA模型，包括自回归部分（AR）、差分过程（I）以及移动平均部分（MA），让读者深入理解了每一部分的实际含义以及它们的数学表达式。我们进一步通过实例讲解了如何通过自相关函数（ACF）和偏自相关函数（PACF）图形选择超参数p和q的值。为了使得模型的选择更加合理，我们介绍了使用赤池信息准则（AIC）和贝叶斯信息准则（BIC）来评价和选择模型的方法。这篇文章的目标是使读者完全掌握ARIMA模型，并能够运用ARIMA模型处理实际的时间序列分析问题。
2023-06-02 10:33:28
15481
11
原创 时间序列模型(三)：MA模型
本文详细探讨了移动平均模型（MA）在时间序列分析中的应用。我们首先对时间序列数据的基础概念进行了回顾，然后深入理解了MA模型的基本概念和前提假设。文章详细阐述了MA模型与AR模型的区别，并明确了MA模型在建模过程中的特性和流程。尤其是在参数求解部分，文章详细解释了在未知白噪声误差下如何求解模型参数。通过此文，读者可以深入理解MA模型，为学习更复杂的时间序列模型如ARIMA模型打下坚实基础。
2023-05-30 17:00:42
2846
3
原创 保姆级教程：Linux和Windows下本地化部署Vicuna模型
这是一篇详尽的Vicuna模型部署指南，它拥有强大的性能，可以与ChatGPT媲美，而且免费提供，甚至还支持微调。本文将带你一步步掌握在Windows和Linux系统下的部署过程，提供了全套必需的安装包及转化好的本地模型。下载即用。通过本文，你将能够自行启动并运行Vicuna模型，从而利用其强大的功能提升你的工作效率。详细的部署文档，让你清晰掌握每一个步骤。
2023-05-30 09:32:09
1600
4
原创 时间序列模型(二)：AR模型
在这篇文章中，我们深入探讨了AR模型——时间序列分析的重要步骤。内容涵盖了时间序列数据的基础知识，AR模型的基本概念、前提假设及与多元线性回归的比较。我们还详细阐述了AR模型的建模过程。这篇文章旨在帮助读者深化对AR模型的理解，为进一步学习时间序列分析打下坚实的基础。下一篇文章我们将研究MA模型，敬请期待。
2023-05-29 13:09:34
4771
3
多媒体工具，视频/图片/PDF压缩：NXPowerLite Desktop，一键高清无损压缩工具
2023-06-10
zabbix3.4.x 数据库表结构说明文档
2018-08-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人