DataWhale AI夏令营第三期 task01

此次赛题是关于AI逻辑推理，使用的是大模型技术，通过调用千问的大模型的API接口来实现。

一、大模型技术

1.大模型技术是什么

大模型是指具有大规模参数和复杂计算结构的机器学习模型

这些模型，精妙地构筑于深度神经网络之上，集成了数十亿乃至数千亿个精细调校的参数，其设计初衷在于显著提升模型的表达深度与预测精度，使之能够游刃有余地应对日益复杂的任务挑战与数据处理需求。大模型的应用领域极为广泛，涵盖了自然语言处理、计算机视觉、语音识别，以及推荐系统的个性化定制等多个前沿阵地。

通过深度挖掘与训练海量的数据集，这些庞然大物不仅学会了捕捉数据中错综复杂的模式与特征，更孕育出了强大的泛化能力，能够自信地对未曾谋面的数据进行精准预测与解读。

此次的大模型用于处理逻辑推理

2.大模型的特点

巨大的规模与超强的能力：

大模型以其惊人的规模著称，内含数十亿乃至更庞大的参数矩阵，其体积轻易突破数百GB的界限，直逼更为宏大的数字。这种前所未有的规模赋予了大模型无与伦比的表达能力与学习能力。

性能与泛化的双重飞跃：

大模型在性能与泛化能力上均展现出不同凡响的能力。它们不仅能在自然语言处理、图像识别、语音识别等多样化任务中独领风骚，更以惊人的适应能力，跨越不同领域，展现出强大的泛化潜力。

多任务学习：

大模型的设计哲学之一，便是多任务并行学习。它们能够同时驾驭机器翻译、文本摘要、问答系统等多重NLP任务，通过这一过程，不断深化对语言的理解与掌握，构建起更加全面、更加泛化的语言智慧。

强大的计算资源：

训练大模型，是一场对计算资源的极致挑战。数百乃至上千个GPU的协同作战，加之数周乃至数月的漫长等待，共同编织出了一幅壮观的计算图景。在这片浩瀚的计算海洋中，大模型逐渐成长，直至成为智慧的巨人。

迁移学习与预训练：

大模型还擅长通过迁移学习与预训练来传承智慧。它们先是在大规模数据上进行深度预训练，掌握语言的精髓与世界的规律；随后，在特定任务上进行微调。

自主独立监督学习：

大模型还具备自监督学习的能力，能够在未标记的数据海洋中自主学习。这一能力不仅减少了对昂贵标记数据的依赖，还提高了模型的训练效率与性能表现。

领域知识的跨界融合：

大模型能够从多个领域的数据中汲取养分、学习知识，并将这些知识应用于不同的领域中。

二、机器学习

1.机器学习是什么

机器学习，作为计算机科学的璀璨分支，是人工智能的重要实现途径。其核心在于：通过不断积累经验，计算机程序能自主提升执行特定任务的能力。面对任务T及其性能评估P，程序能随着经验E的积累，在T上的表现以P为标尺显著优化，这一过程即为学习。

这一领域的基石是坚实的理论基础，涵盖数理统计、数学分析、概率论、线性代数、优化理论、数值逼近及计算复杂性理论等，它们共同为机器学习提供了强大的支撑。

而机器学习的心脏，则是由算法、数据与模型三者紧密融合而成。算法引领方向，数据滋养智慧，模型凝聚成果，三者携手并进，驱动着机器学习的蓬勃发展。

2.机器学习的分类

1.有监督学习

1. 线性回归算法

  在机器学习当中，我们有一个变量X的集合用来决定输出变量Y。在输入变量X和输出变量Y之间存在着某种关系。机器学习的目的就是去量化这种关系。

2. 逻辑回归算法

  使用一个转换函数后，线性回归预测的是连续的值，而逻辑回归预测的是离散的值。

3. 分类回归树（决策树）

非终端节点有根节点和内部节点。终端节点是叶子节点。每一个非终端节点代表一个输出变量X和一个分岔点，叶叶子节点代表输出变量Y，沿着树的分裂（在分岔点做一次决策）到达叶子节点，输出便是当前叶子节点所代表的值。

4. 朴素贝叶斯

在给定的一个事件发生的前提下，计算另一个事件发生的概率

2.无监督学习

1. 关联规则算法

关联规则算法在数据库的候选项集中用来挖掘出现频繁项集，并且发现他们之间的关联规则。

2. K-means算法

k-means算法是一个迭代算法的聚类算法，它将相似的数据化到一个簇中。该算法计算出k个簇的中心点，并将数据点分配给距离中心点最近的簇。

3. PCA主成分分析
主成分分析是通过减少变量的维度，去除数据中冗余的部分或实现可视化。基本的思路将数据中最大方差的部分反映在一个新的坐标系中，这个新的坐标系则被称为“主要成分”。其中每一个成分，都是原来成分的线性组合，并且每一成分之间相互正交。正交性保证了成分之间是相互独立的。