专注大数据与人工智能技术分享，欢迎私信加群互相学习！

👨‍💻CSDN、阿里云人工智能领域博客专家，新星计划计算机视觉导师，百度飞桨PPDE，专注大数据与AI知识分享。✨公众号免费分享书籍、简历、导图等，更有交流群分享宝藏资料，关注公众号回复“加群”。目前正直秋招，很多小伙伴也来咨询我求职建议和如何写简历，大家可以参考本公众号之前的面试系列，教你如何准备求职和写简历。另外，星球内也将同步更新各大厂公司面经，目前已更新面经近40篇，国庆期间将继续陆续更新，欢迎大家加入，绝对超值，助你秋招顺利上岸！

本专栏系列主要介绍各AI方向知识，专栏详细介绍神经网络基础、原理相关知识内容，资料集合包含机器学习、深度学习等各系列教程，从入门到实战，包括以计算机视觉（图像识别、分类、检测、分割等），另外会总结自己学习过程整理的读书笔记与优秀的学习资料，配合相关思维导图，努力实现理论与实践结合，可供深度学习入门者与工作人员学习，目前收获浏览量88w+，专栏文章数110篇+。

GoAI的学习社区知识星球是一个提供各方向资料整合的平台，致力于提供机器学习 | 深度学习 | CV | NLP | 大模型 | 多模态 | AIGC各个大方向资料，对以上方向全面而有深度的**专栏内容、前沿论文解读、资料共享、行业最新动态以及实践教程。除此之外，后续会整理更多方向综述、重要论文、求职相关（简历撰写技巧、面试题总结、面经资料等）分享给大家，也会邀请更多嘉宾入驻，和大家一起分享职场工作、算法研究心得体会等等干货内容！

说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................

本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........

机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类,文章对十大机器学习算法进行详细介绍并阐述机器学习其他概念问题，可作为机器学习初学者学习使用。

Hello，大家好我是GoAI，这是一篇本该很早就应该发布的文章，由于自己工作比较忙导致一直拖到现在，期间很多小伙伴咨询如何准备秋招。在此有时间更新本系列《面试系列四：求职常见问题及职业规划建议》，本文主要介绍求职常见问题和自己对求职和职业规划的一些建议和看法，欢迎大家点赞收藏，后面看情况会在更新面试系列，比如常见面试问题及对应回答话术。

本文介绍了机器学习的基础知识，包括机器学习的概念、常见术语、常见算法以及实战步骤。文中详细解释了包括标签、特征、样本、模型、泛化、过拟合、预测、训练集、验证集、测试集、偏差、方差等在内的基本术语，并对监督学习中的分类和回归算法、集成学习、无监督学习中的聚类和关联规则进行了简介。此外，介绍了构建机器学习模型的步骤，包括数据准备、模型训练、预测、评估和调优，并通过鸢尾花分类任务进行了实战演示。

本文详细介绍了深度学习的基础知识、主要概念和术语、以及经典的深度学习算法。深度学习是机器学习的一个分支，侧重于构建和训练神经网络以自动提取特征。文章探讨了深度学习的优缺点，比较了机器学习与深度学习的区别，并讨论了如卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GANs）和深度强化学习（RL）等深度学习模型。此外，文中还介绍了如何使用深度学习进行手写数字识别任务，包括数据准备、网络配置、模型训练、评估和预测的步骤，并通过实例展示了整个流程。最后，分享自己精心制作的深度学习思维导图。

导读：本系列深度学习面试题系列总结，资料集合包含机器学习、深度学习等各系列常见问题，可配合下列资料一起学习，内容参考Github及网络资源，仅供个人学习。侵权联系删除！

本系列深度学习面试题系列总结，资料集合包含机器学习、深度学习等各系列常见问题，系列将分为多篇介绍，可配合下列资料一起学习，内容参考Github及网络资源，仅供个人学习。侵权联系删除！

大数据专业硕士在读，CSDN人工智能领域博客专家，阿里云专家博主，专注大数据与人工智能知识分享。🎉。

​​​​​​本文主要介绍数学建模常用方法、工具及论文相关模版，正文主要介绍数据建模常见算法及利用python数据分析流程，后续将逐步对每个模型算法展开详细介绍。

本篇主要介绍机器学习主要概念，包括不限于标签、特征、样本、训练、模型、回归模型、分类模型、泛化、过拟合、预测、平稳性、训练集、验证集、测试集。

常用机器学习算法汇总从一个项目的终极目标、寻找和获取数据，到数据预处理，做特征工程，接下来就需要开始选择合适的算法模型，进行训练评估和测试了。 所以接下来会整理下比较常用的机器学习算法的汇总比较，包括： 线性回归逻辑回归决策树随机森林支持向量机朴素贝叶斯KNN 算法K-均值算法提升方法（Boosting）GBDT优化算法卷积神经网络 1. 线性回归 简述 定义：线性回归（Linear Regress...

本文为《深入浅出多模态》系列第一章，《多模态模型论文最全总结》将从整体介绍多模态模型发展，结合综述对各个模型按照发展时间线及发展对应关系进行介绍，后续将对其中经典及最新多模态模型进行解决，从具体论文、数据集、代码、模型结构、结果等角度分析，本专栏适合从事多模态小白及爱好者学习，欢迎大家关注，如有侵权请联系删除！

本篇为《深入浅出LLM基础篇》系列第四篇，《深入浅出LLM基础篇》（四）：主流大模型分类介绍主流大模型分类，主要讨论各类模型结构组成、模型特点、数据规模等进行介绍，包括 ChtaGLM、LLAMA等 系列，最后对经典问题进行总结，方便大家交流学习。

导读：本篇为《深入浅出LLM基础篇》系列第三篇，《深入浅出LLM基础篇》（三）：大模型结构分类主要讨论大型语言模型是如何构建的，章节将着重讨论模型架构，主要讨论Transformer架构及编码、解码器组成结构及原理，这是真正实现大型语言模型的建模创新。

作者推出全新系列《深入浅出LLM》专栏，将分为基础篇、进阶篇、实战篇等，本文为基础篇具体章节如导图所示（导图为常见LLM问题，导图专栏后续更新！），将分别从各个大模型模型的概念、经典模型、创新点、微调、分布式训练、数据集、未来发展方向、RAG、Agent及项目实战等各种角度展开详细介绍，欢迎大家关注。

导读：本篇笔记内容主要为 【书生·浦语大模型实战营】作业（七）：大模型实战评测的作业 主要对OpenCompass大模型实战评测部分及流程详细介绍，欢迎大家交流学习！

本篇笔记内容主要为【 书生·浦语大模型实战营】学习笔记（七）：大模型评测实战 ，主要对OpenCompass 大模型评测部分详细介绍，欢迎大家交流学习！

本篇笔记内容主要为 【书生·浦语大模型实战营】作业（六）：Lagent & AgentLego 智能体应用搭建智能体的作业 ，主要对智能体应用理论部分及具体搭建流程详细介绍，并分别进行实战应用及可视化展示，欢迎大家交流学习！

本篇笔记内容主要为 【书生·浦语大模型实战营】作业（六）：Lagent & AgentLego 智能体应用搭建智能体的笔记 ，主要对智能体应用理论部分及具体搭建流程详细介绍，并分别进行实战应用及可视化展示，欢迎大家交流学习！

本篇笔记内容主要分为模型部署理论进行介绍。从量化、剪枝、知识蒸馏方面引入。主要对LMDeploy框架支持的模型、安装过程、base|chat对话|Lite量化等进行介绍，欢迎大家交流学习！

本次作业内容： 在茴香豆 Web 版中创建自己领域的知识问答助手 - 参考视频零编程玩转大模型，学习茴香豆部署群聊助手。 - 线上茴香豆助手对话截图(不少于5轮) - 参考代码在自己的服务器部署茴香豆 Web 版（可选）在 InternLM Studio 上部署茴香豆技术助手 - 根据教程文档搭建 茴香豆技术助手，针对问题"茴香豆怎么部署到微信群？"进行提问

本篇为【 书生·浦语大模型实战营】作业（四）：XTuner 微调 LLM：1.8B、多模态、Agent的基础作业：训练自己的小助手认知，记录复现过程并截图。

本篇笔记内容主要分为RAG理论介绍和“茴香豆” RAG 智能助理实战。前半部分对RAG流程、向量数据库、优化等展开介绍，后半部分实战任务分为以web页面及Internlm框架进行茴香豆实战，欢迎大家交流学习！

🎉知识星球是一个致力于提供《机器学习 | 深度学习 | CV | NLP | 大模型 | 多模态 | AIGC 》各个最新AI方向综述、论文等成体系的学习资料，配有全面而有深度的专栏内容，包括不限于 前沿论文解读、资料共享、行业最新动态以、实践教程、求职相关（简历撰写技巧、面经资料与心得）多方面综合学习平台，强烈推荐AI小白及AI爱好者学习，性价比非常高！➡️。

本文为实战营第二次课程笔记，主要分为两个部分，第一部分部署 InternLM2-Chat-1.8B 模型进行智能对话。第二部分为完成 Lagent 工具调用 数据分析 Demo 部署，后续系列会继续更新，欢迎大家交流！

本文为实战营第一次课程笔记，主要分为两个部分，第一部分从书生·浦语大模型发展、分类、组成进行详细介绍，方便大家理解。第二部分为对 InternLM2技术报告解读，后续系列会继续更新，欢迎大家交流！

我们探索视频数据生成模型的大规模训练。具体来说，我们在可变持续时间、分辨率和宽高比的视频和图像上联合训练文本条件扩散模型。我们利用对视频和图像潜在代码的时空补丁进行操作的变压器架构。我们最大的模型 Sora 能够生成一分钟的高保真视频。我们的结果表明，扩展视频生成模型是构建物理世界通用模拟器的一条有前途的途径。总结：Sora包含了DALL·E 3 的recaption技术 + 图像/视频Patches + Transformers + Latent Diffusion + 原始数据分辨率训练。

本文主要介绍chatgpt概念及相关产品，重点介绍文心一言，通过对比Chatgpt、新必应及文心一言进行测评，对比仅挑选几个例子，主要展示文心一言在各方面的能力，大家感兴趣可以去官网申请等待。

本文为《深入浅出OCR》系列第八章，《OCR文档任务多模态预训练模型总结》主要介绍OCR文档任务的多模态模型的经典论文及内容结构展开介绍。大模型时代的现实场景或者企业私域数据中，大多数数据都以文档的形式存在，如何更好的解析获取文档数据显得尤为重要。文档智能也从以前的目标检测（版面分析）阶段转向多模态预训练阶段。

本章将介绍常见的文字识别后处理方法，按照不同的目的将内容分为两部分：文本纠错和文本结构化。文本纠错的目标是纠正OCR输出文本中错误的文字，而文本结构化则是从OCR输出文本中定位需要的信息，并按照应用要求组织成特定的结构，方便小白或AI爱好者快速了解OCR方向知识.

本篇为《深入浅出OCR》第六章：OCR数据集与评价指标,主要介绍OCR数据集（规则与不规则、合成数据集）、数据生成、OCR数据评估指标等知识进行介绍，方便小白或AI爱好者快速了解OCR方向知识.

本篇导读：在上一章【《深入浅出OCR》第五章：端到端文字识别】，本人着重介绍端到端识别算法的发展、分类及各自领域经典算法，为了进一步熟悉端到端识别流程，本次作者将以基于PGNet的端到端识别实战为例，全面对端到端识别技术流程进行解读，方便学习者快速上手实战。

上一章我们介绍到OCR流程包括两阶段算法和端到端算法，本篇为 **【《深入浅出OCR》第五章：端到端识别】，主要对深度学习端到端识别方法进行介绍**，本人将从经典算法结构、代码、论文解读等角度展开，配合作者总结的思维导图，深入浅出OCR知识。

本篇导读：在上一章【《深入浅出OCR》第四章：OCR文字识别】，本人着重介绍文字识别算法的发展、分类及各自领域经典算法，为了进一步熟悉文字识别流程，本次作者将以基于主流文字识别算法CRNN为例，全面对文字识别技术流程进行解读，方便学习者快速上手实战。

在上一章我们介绍到OCR文字检测， 本篇为 **【《深入浅出OCR》第四章：OCR文字识别】，主要对深度学习OCR文字识别方法进行介绍**，本人将从经典算法结构、代码、论文解读等角度展开，配合作者总结的思维导图，深入浅出OCR知识。

本篇导读：在上一章【《深入浅出OCR》第三章：OCR文字检测】，本人着重介绍文字检测算法的发展、分类及各自领域经典算法，为了进一步熟悉文字检测流程，本次作者将以基于DBNet的文字检测实战为例，全面对文字检测技术流程进行解读，方便学习者快速上手实战。