“LLM”你或许已经听过，是指像 ChatGPT 背后那样的大语言模型。那“LLM Wiki”又是什么呢？本文为零基础读者准备，用“旅行攻略”和“菜谱大全”的比喻，通俗讲解什么是 LLM Wiki、它长什么样、里面有哪些宝藏、为什么 AI 学习者离不开它，以及你该如何用好它。读完你会发现，面对层出不穷的 AI 新名词，LLM Wiki 正是那张帮你理清脉络、不迷路的免费地图。

“LLM”你或许已经听过，是指像 ChatGPT 背后那样的大语言模型。那“LLM Wiki”又是什么呢？本文为零基础读者准备，用“旅行攻略”和“菜谱大全”的比喻，通俗讲解什么是 LLM Wiki、它长什么样、里面有哪些宝藏、为什么 AI 学习者离不开它，以及你该如何用好它。读完你会发现，面对层出不穷的 AI 新名词，LLM Wiki 正是那张帮你理清脉络、不迷路的免费地图。

“LLM”你或许已经听过，是指像 ChatGPT 背后那样的大语言模型。那“LLM Wiki”又是什么呢？本文为零基础读者准备，用“旅行攻略”和“菜谱大全”的比喻，通俗讲解什么是 LLM Wiki、它长什么样、里面有哪些宝藏、为什么 AI 学习者离不开它，以及你该如何用好它。读完你会发现，面对层出不穷的 AI 新名词，LLM Wiki 正是那张帮你理清脉络、不迷路的免费地图。

本文深入探讨了RAG（检索增强生成）系统中数据准备的关键环节，将其比作餐厅的食材处理流程。文章分为三部分：1. 数据加载环节，强调文档解析、元数据抽取和结构化的重要性，推荐使用Unstructured等工具处理多格式文档；2. 文本分块环节，分析不同分块策略（固定大小、递归字符、语义分块等）的优缺点，指出分块大小需平衡模型限制与语义完整性；3. 实用建议，包括保留元数据、先小规模测试等。全文指出数

本文摘要： 本实验报告涵盖了线性回归和softmax回归两个核心机器学习模型的实现过程。线性回归部分详细介绍了数据生成、模型构建、损失函数选择（MSE）和训练流程，重点解释了噪声添加、数据集划分和梯度下降的实现原理。softmax回归部分以Fashion-MNIST数据集为例，阐述了多分类问题的处理方法，包括交叉熵损失函数的使用和准确率评估。报告还包含完整的考题及解析，涉及模型调参、超参数影响、评

练习卷无答案

本文摘要：该实验基于Kaggle房价预测数据集，通过数据预处理（对数变换、缺失值填充、独热编码和标准化）、多层感知机（MLP）模型设计和训练优化（Dropout、学习率调度、早停等）完成房价回归预测。关键步骤包括：对右偏的房价标签取对数使其正态化；用训练集统计量标准化测试集以保证分布一致性；使用验证集监控泛化性能并实现早停。实验强调正确处理类别特征与缺失值，以及通过损失曲线分析模型欠拟合/过拟合。

本文是一份数据挖掘课程的考试题及解答，主要包含以下内容： 选择题（15题）：涵盖数据预处理、数据挖掘目标、相似性度量、关联规则、分类方法、聚类算法、模型评估等知识点。 简答题（2题）：比较DBSCAN与K-means聚类算法的不同点，以及抽样和离散化的概念与方法。 计算题（6题）：涉及朴素贝叶斯分类、关联规则支持度与置信度计算、基尼系数与决策树构建、ROC曲线绘制与AUC计算、决策树分类预测、回归

本文系统介绍了卷积神经网络（CNN）的核心概念及LeNet网络结构

本文总结了目标检测(YOLOv8)相关知识点和考试题目。主要内容包括：1）香蕉数据集的结构和标注格式；2）YOLO标注格式转换方法；3）迁移学习的概念和应用优势；4）YOLOv8训练参数和评估指标；5）非极大值抑制(NMS)原理；6）YOLO网格划分的优势。考试部分包含单选、填空、判断、简答、计算和代码填空6种题型，重点考察坐标转换、IoU计算、迁移学习原理等核心知识点。实验表明，在COCO预训练