作者文章归档:course

大模型入门:技术原理与实战应用


《大模型入门:技术原理与实战应用》目录

第一部分:大模型时代的到来

• 第1章:引爆世界的大模型

• 1.1大模型:AI的超级大脑

• 1.2大模型的神奇力量:工作原理大揭秘

• 1.3大模型的崛起:从初露头角到AI巅峰

• 1.4大模型:重塑生活和工作

• 第2章:深度剖析大模型背后的故事

• 2.1大模型技术:深度解析

• 2.2预训练技术:大模型的基石

• 2.3指令微调技术:规范一般的LoRA与P - Tuning

• 2.3.1 LoRA

• 2.3.2 P - Tuning

• 2.4基于人类反馈的强化学习:大模型的智慧之旅

• 2.5大模型效果:看得到的改变与影响

• 第3...

Read more

BERT-预训练语言模型


BERT(Bidirectional Encoder Representations from Transformers)是一种在自然语言处理领域具有重大影响力的预训练语言模型。

一、BERT 的基本架构和特点 - 双向 Transformer 架构:BERT 采用双向 Transformer 架构,能够同时考虑文本的左右上下文信息,从而更好地理解语言的语义。Transformer 架构由编码器和解码器组成,BERT 只使用了编码器部分。编码器由多个相同的层堆叠而成,每个层包含两个子层:多头自注意力机制和前馈神经网络。这种架构使得 BERT 能够有效地捕捉文本中的长距离依赖关系和复杂的语...

Read more

战略屋


战略屋是一种用于定义、描述和管理企业战略的图形化工具,通过结构化的框架将企业的战略目标、路径和资源整合在一起,形成清晰的战略全貌。以下是关于战略屋的详细解析:


一、战略屋的定义与作用

战略屋是企业战略规划的图形化表达工具,旨在通过分层结构将企业的使命、愿景、战略目标、业务布局、关键举措和资源保障等内容系统化呈现。它帮助企业明确战略方向,统一内部共识,并指导战略执行。

  • 核心作用
  • 战略澄清:帮助企业上下对战略目标、路径和关键任务达成一致理解。
  • 战略执行:通过明确关键举措和资源分配,确保战略落地。
  • 战略协同:促进不同部门和业务单元之间的协同合作,提升整体效率。

二、战略屋的典型结构

...

Read more

大模型应用开发极简入门:基于GPT - 4和ChatGPT-Books


目录

• 第1章 初识GPT - 4和ChatGPT

• 1.1 LLM概述

• 1.2 GPT模型简史:从GPT - 1到GPT - 4

• 第2章 深入了解GPT - 4和ChatGPT的API

• 2.1 基本概念

• 2.2 OpenAI API提供的可用模型

• 2.3 在OpenAI Playground中使用GPT模型

• 2.4 开始使用OpenAI Python库

• 第3章 使用GPT - 4和ChatGPT构建应用程序

• 3.1 应用程序开发概述

• 3.2 软件架构设计原则

• 3.3 LLM驱动型应用程序的漏洞

• 3.4 示例项目

• 第4章 GPT - 4...

Read more

FAQ-智能投顾


以下是一些您可以考虑提问的问题,涵盖了股票投资、市场分析和投资知识等方面:

市场行情相关

今天的市场行情如何? 最近一个月的某个股票或指数的表现如何? 当前哪些行业或板块表现较好? 股票具体信息

某只股票的实时价格和涨跌幅是多少? 某只股票的历史表现如何,过去180天的趋势是什么样的? 投资策略与技巧

如何选择适合自己的投资股票? 在市场波动时,应该采取什么样的投资策略? 如何评估一只股票的投资价值? 技术分析与基本面分析

什么是技术分析,如何应用于股票投资? 如何进行基本面分析,评估公司的财务健康状况? 市场趋势与预测

当前市场的主要趋势是什么? 对未来几个月的市场走势有什么看法? 投...

Read more

关系网络


关系网络(Relation Network, RN) 是一种专门用于建模数据中对象或实体之间关系的神经网络架构。它特别适用于需要理解不同元素之间交互或依赖关系的任务,例如视觉推理、自然语言处理或图结构问题。

关系网络的核心概念:

  1. 成对关系建模
  2. 关系网络计算对象之间的成对关系。例如,在一张图片中,它可以分析两个对象之间的关系(如“猫在垫子上”)。

  3. 组合性

  4. 网络通过结合单个实体及其关系的信息来进行预测或决策,从而能够处理复杂的结构化数据。

  5. 模块化设计

  6. 关系网络通常由两个主要组件组成:

    • 特征提取模块:从单个对象中提取特征(例如,使用卷积神经网络(CNN)处理图像,或...

Read more

无监督学习-v2


无监督学习(Unsupervised Learning)是机器学习的一种方法,其特点是在训练过程中不使用标签数据。与有监督学习不同,无监督学习的目标是从未标记的数据中发现隐藏的结构、模式或规律。常见的无监督学习任务包括聚类、降维和关联规则挖掘等。

主要任务

  1. 聚类(Clustering)
  2. 目标:将数据分成若干组,使得同一组内的数据点相似,不同组之间的数据点差异较大。
  3. 常用算法:

    • K均值(K-Means)
    • 层次聚类(Hierarchical Clustering)
    • DBSCAN(基于密度的聚类)
    • 高斯混合模型(GMM)
  4. 降维(Dimensionality Reduction):...

Read more

Condution-跨平台任务管理工具


Condution 是一款开源的跨平台任务管理工具,旨在为用户提供简洁、强大且免费的任务管理解决方案。以下是关于 Condution 开源项目的详细介绍:


1. 项目背景与目标

Condution 的诞生源于对市场上昂贵且复杂的生产力工具的不满。它秉承“简单、免费”的理念,致力于为用户提供一个易于使用且功能强大的任务管理平台,适用于个人、团队以及各种生活和工作场景。


2. 技术栈

  • Electron:用于构建跨平台的桌面应用,支持 Windows、macOS 和 Linux 等多个操作系统。
  • Firebase:作为后端服务,提供数据存储、用户认证和实时同步功能。
  • Yarn:包管理工具...

Read more

无监督学习:一种更高级的学习方式


无监督学习:AI 领域的 “宝藏钥匙”

在当今人工智能飞速发展的时代,无监督学习宛如一把神秘的 “宝藏钥匙”,悄然开启着无数未知的领域。当我们惊叹于智能语音助手的便捷、人脸识别技术的精准时,背后离不开无监督学习的强大助力。它与监督学习并驾齐驱,却又独具魅力,为 AI 的发展开拓出一片崭新天地。

与监督学习不同,无监督学习面对的是没有预先标注 “答案” 的数据。想象一下,在一个巨大的图书馆里,书籍琳琅满目却没有分类标签,无监督学习算法就如同一位智慧的图书管理员,凭借书籍内容的内在联系 —— 文字风格、主题、写作年代等,将它们有条不紊地归类摆放。在这个过程中,没有人为事先定义好的类别,一切都...

Read more

BloombergGPT


BloombergGPT 是彭博社(Bloomberg)开发的一个专门针对金融领域的大型语言模型(LLM),旨在支持金融行业的自然语言处理(NLP)任务。以下是关于 BloombergGPT 的详细介绍:


1. 模型概述

  • 参数规模:BloombergGPT 是一个拥有 500 亿参数 的自回归语言模型,基于 BLOOM 模型的自回归结构,包含 70 层 Transformer 解码器。
  • 训练数据:模型使用了 7000 亿个 token 的训练语料库,其中 3630 亿个 token 来自金融领域数据集(FinPile),3450 亿个 token 来自通用数据集(如 The Pile...

Read more