Assistant与ReACT探究

最近OpenAI发布了Assistants API，允许在自己的应用程序中构建 AI 助手。Assistants API 目前支持三种类型的工具：Code Interpreter、Knowledge Retrieval、Function calling，还有对File的支持，其实网上已经有很多探讨A
作者：Administrator

LLM早期学习笔记

随着AI大模型技术的快速发展，其实从今年5月份开始，我也越发觉得LLM在企业中的应用越来越广泛，因此我也开始学习LLM，本文是一些LLM相关的学习笔记，主要记录了LLM的发展历程、应用场景、基本的技术原理等，另外本篇还侧重于介绍NLP中一些常见的概念，这样能快速的切入到大模型的学习中。 <!-- m
作者：Administrator

CNN卷积神经网络（二）

在本节中将继续探讨CNN的核心概念以及一些经典的CNN框架（LeNet、AlexNet、VGG16等），以更好地理解这一强大的图像处理工具。卷积神经网络是一种深度学习模型，广泛应用于图像识别和处理任务。CNN通过卷积层、池化层和全连接层等结构，能够有效提取图像中的特征信息，从而实现分类、检测等任务。
作者：Administrator

CNN卷积神经网络（一）

在深度学习的探索旅程中，我们从模拟人类神经网络结构的多层感知器（MLP）开始，逐步探索了非线性预测的实现。通过逻辑回归模型的组合，构建了能够处理复杂预测任务的庞大网络。通过实践我们了解了MLP在图像识别任务中的应用，特别是在处理MNIST数据集时的有效性。但是，面对更高分辨率的图像，MLP模型的局限
作者：Administrator

MLP实现手写数字识别

通过MLP实现手写数字识别是一个经典案例，mnist 是keras自带的一个用于手写数字识别的数据集，它的图像的分辨率是 $28 * 28$，也就是有784个像素点，它的训练集是60000个手写体图片及对应标签，测试集是10000个手写体图片及对应标签。本例中：输入层784个单元，两个隐藏层都是39
作者：Administrator

多层感知机（MLP）

之前主要学习了常见的机器学习算法，现在开始进入另一个环节：深度学习。首先就是多层感知机模型，Multi-Layer Perception（简称MLP）是标准的全连接神经网络模型，它由节点层组成，其中每个节点连接到上一层的所有输出，每个节点的输出连接到下一层节点的所有输入。本节会从一个简单的分类任务开
作者：Administrator

模型评估与优化常用方法实战

通过酶活性预测实战来体验体验模型从欠拟合到过拟合、再到拟合的过程。选择模型从线性回归 -> 多项式回归。通过进行异常检测，帮助找到了潜在的异常数据点，进行主成分分析，判断是否需要降低数据维度，然后通过数据分离，即使未提供测试样本，也能从训练数据中分离出测试数据。然后计算得到混淆矩阵，实现模型更全面的
作者：Administrator

数据分离与混淆矩阵

建立模型的意义，不在于对训练数据做出准确预测，更在于对新数据的准确预测。在分类中，如何评判模型的好坏呢，之前的学习中主要是通过计算测试数据集预测准确率(accuracy)以评估模型表现，但是现在有了更好的评估方案，那就是混淆矩阵。另外在仅有训练数据的情况下如何评估模型表现呢？这个时候就需要做一些数据
作者：Administrator

过拟合与欠拟合问题

拟合指机器学习模型在训练的过程中，通过更新参数，使得模型不断契合可观测数据（训练集）的过程，但在这个过程中容易出现欠拟合（underfitting）和过拟合（overfitting）的情况：一开始模型往往是欠拟合的，也就是说模型无法得到较低的训练误差，也正是因为如此才有了优化的空间，我们需要不断的调
作者：Administrator

决策树模型、异常检测与主成分分析

之前学习了几种分类的算法：逻辑回归、KNN近邻。这次来看另外一种模型：决策树。决策树是一种对实例进行分类的树形结构，通过多层判断区分目标所属类别。决策树的本质就是通过多层判断，从训练数据集中归纳出一组分类规则。其优点：计算量小，运算速度快；易于理解，可清晰查看各种属性的重要性。但是容易忽略属性间的相
作者：Administrator
共 18 篇文章
页