- 博客(22)
- 收藏
- 关注
RSS订阅原创 线性回归和逻辑回归
逻辑回归（Logistic Regression）是一种用于解决分类问题的统计方法，尤其适用于二分类问题。尽管名称中有“回归”，但它主要用于分类任务。逻辑回归通过将线性回归的输出映射到[0,1]区间，来表示某个类别的概率。
2026-08-07 11:23:07
160
原创 KNN算法
K近邻算法（K-Nearest Neighbors，KNN）是一种基本的分类与回归方法，属于监督学习算法。其核心思想是通过计算给定样本与数据集中所有样本的距离，找到距离最近的K个样本，然后根据这K个样本的类别或值来预测当前样本的类别或值。
2026-08-03 10:54:53
640
原创 模型评价指标
对于分类问题，最常用的指标就是“准确率”（Accuracy），它定义为分类器对测试集正确分类的样本数与总样本数之比。此外还有一系列常用的评价指标。
2026-07-25 16:06:40
152
原创 模型求解算法
正则化可以有效防止过拟合，增强模型的泛化能力。这时模型的评估策略，就是让结构化的经验风险最小，即增加了正则化项的损失函数最小，称为这其实就是求解一个。代入训练集所有数据（），要求最小值的目标函数就是模型中参数的函数。具体求解的算法，可以利用数学公式直接计算解析解，也可以使用迭代算法。
2026-07-25 08:51:21
186
原创 模型评估和模型选择
对于模型一次预测结果的好坏，需要有一个度量标准。对于监督学习而言，给定一个输入X，选取的模型就相当于一个“决策函数”f，它可以输出一个预测结果f(X)，而真实的结果（标签）记为Y。f(X) 和Y之间可能会有偏差，我们就用一个损失函数（loss function）来度量预测偏差的程度，记作 L(Y,f(X))。损失函数用来衡量模型预测误差的大小；损失函数值越小，模型就越好；损失函数是f(X)和Y的实值函数；
2026-07-22 20:40:25
192
原创 什么是特征工程
对原始的特征进行过滤筛选，通过对原始数据的处理、转换和构造，生成新的特征或选择有效的特征，从而提高模型的性能。特征工程是将原始数据转换为可以更好地表示问题的特征形式，帮助模型更好地理解和学习数据中的规律。
2026-07-12 10:48:07
217
原创 运维Agent（Python）
Plan-Execute-Replan是一种协作的任务执行模式，核心思路是：先规划、再执行、随时调整。Multi-Agent（多智能体）就是不是一个AI在单打独斗，而是多个AI各司其职、分工协作。每个Agent负责一个专门的职责，就像公司里不同岗位的同事配合完成一—个项目。
2026-05-04 09:03:23
418
原创 对话Agent（Python）
RAG召回：赋予外部知识记忆能力。动态Prompt：让大模型学习外部知识，并带有记忆(历史对话）。ReAct模式：实现复杂任务拆解与工具调用。
2026-05-02 21:48:53
384
原创 知识库Agent（Python）
你有没有过这样的经历：项目上线前夜，突然报了一个告警，你印象中之前有人写过一份处理手册，但死活找不到在哪。翻了半小时的飞书文档、翻了聊天记录、翻了内部Wiki，最后发现那份文档藏在某个三级目录下的一个不起眼的角落里…再比如，新同事入职了，问你“咱们这个API的鉴权流程是什么？“，你说”文档里有”，但他可能花了一下午，都没找到那份写得最全的文档。这就是传统文档管理的痛点——信息孤岛。什么意思呢？就是说，你的知识明明存在，但它们散落在各个角落，像一座座孤岛，彼此之间没有桥梁相连。
2026-05-02 10:42:31
416
原创 AI名词大扫盲
Prompt 就是你发给大模型的所有输入内容，不只是一句简单的问题，而是你塞进messages列表(如上所示)里的所有文字：指令、背景信息、参考资料、示例、格式要求...全部算在内，总称为Prompt。Prompt要装在上下文窗口里面。Agent（智能体），是一个以大模型为"大脑"，能自主感知环境、做出决策、调用工具、完成多步骤任务的程序。Tool就是给大模型「装上手」的方案，让它从「只动嘴的参谋」，变成「能落地干活的实干家」。告诉大模型怎么填参数。
2026-05-01 16:45:55
556
原创 数据库SQL学习（进阶篇）
用户定义变量是用户根据需要自己定义的变量，用户变量不用提前声明，在用的时候直接用“@变量名”使用就可以。其作用域为当前连接。-- 赋值。
2026-03-07 08:36:58
515
原创 数据库SQL学习（基础篇）
1）SQL语句可以单行或多行书写，以分号结尾。2）SQL语句可以使用空格/缩进来增强语句的可读性。3）MySQL数据库的sQL语句不区分大小写，关键字建议使用大写。4）注释：单行注释：--注释内容或 #注释内容多行注释：/*注释内容*/
2026-02-14 15:16:09
1472
原创 文字生成transformer
transformer的encoder和之前讲过的bert是大致一样的。对比Encoder和Decoder，我们可以看到两个模型的区别就在于，Decoder中有一个“”和一个“下面会有说到。
2026-01-29 21:30:55
785
原创 自注意力机制 self-attention
之前我们模型的输入一直都是基础的数值或者是图片，今天开始研究输入序列，我们可以尝试用之前的方法，用one-hot Encodeing来表示一个序列的每一个字但是就有一个问题，汉字一共有两万多，那岂不是非常浪费空间，并且无法体现出文字之间的关系，就比如（我）和（你）都是代词，那么（我）和（你）之间的关系，就要比（我）和（狗）之间的关系更近一点，同理，（狗）和（猫）之间的关系又要更近一点，因为他们都是动物。于是我们采用nn.Liner将高维向量，转换成低维向量，一般转换成768维，方便后续模型的输入。
2026-01-24 12:41:12
1256
原创 图像分类实战与半监督学习
先来说一下什么是半监督学习，就是在数据集中，有一部分的数据是没有标签的，但是数据对深度学习是非常重要的，在非必要的情况下，我们要把这些数据利用上。于是，我们可以用模型预测出来的值来当作数据的真实值，前提是模型的预测准确率要非常的高，大概在70%以上的时候，就可以用预测值来当作正确值；相反，如果模型的预测正确率非常低，可能会对模型的训练起到相反的作用。
2026-01-20 21:46:40
913
原创 对上一个模型的优化
解决过拟合问题，在普通的loss后面加上参数的平方，对于那些偏离模型很远的点，这个点提供的loss就会很大，导致模型想要去找他的时候会产生更大的误差，把w变小，让w更靠近0，从而导致模型变得很平滑总而言之，正则化就是为了使模型变得更平滑，缓解模型过拟合。
2026-01-16 20:27:14
216
原创 基于深度学习的新冠病毒人数预测的回归项目实战
这里要特别注意linner的维度问题，全连接，前一层的输出维度为后一层的输入维度。由于最后得到的维度为二维，所以要用x.squeeze(1)将其转变为一维，用来和y进行计算def __init__(self, inDim): # inDim为输入维度super(Mymodel, self).__init__() # 重新定义父类的初始化函数def forward(self, x): # 模型前向传递过程x = self.fc1(x) # 通过第一层全连接。
2026-01-16 12:05:19
1117
原创 深度学习小入门
for batch_x, batch_y in data_provider(X, Y, batchsize): # batch_x，batch_y为数据集的数据和标签。w_0 = torch.normal(0, 0.01, true_w.shape, requires_grad=True) # 这个w需要计算梯度。para.grad.zero_() # 使用过的梯度，归0，否则会累加。pred_y = fun(batch_x,w_0, b_0) # 算出预测值。
2026-01-14 20:33:35
305
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人