K-Nearest-Neighbors，是监督学习算法，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。先计算距离，再选择最近距离的K个样本。

机器学习之无监督学习聚类和降维

早期的自然语言处理需为每个任务单独训练模型，严重依赖人工标注数据，存在两大局限：语言知识难以复用导致训练成本高；专业领域标注数据获取困难。为此研究者提出"预训练+微调"范式：先在大规模未标注语料上学习通用语言规律，再通过少量标注数据适配具体任务。

LLM微调之实战，SFTTrainer官方案例、LoRA/QloRA微调案例、Unsloth、分布式训练、LLaMA Factory

LangChain是一个由哈佛大学Harrison Chase开发的开源框架，用于构建基于大语言模型(LLM)的应用程序。它提供Prompt构建、LLM接入、记忆管理、工具调用等模块，支持开发Agent、问答系统、对话机器人等应用。核心功能包括：1)Model I/O模块处理模型交互；2)Chains模块实现组件链式调用；3)RAG技术增强模型知识；4)Agent开发赋予模型决策能力。框架支持多种

本项目构建了一个电商知识图谱系统，采用Neo4j图数据库存储数据，结合MySQL关系型数据库和多种技术栈实现。系统包含数据准备、实体抽取模型训练、知识图谱构建和智能问答四个核心模块。通过Label-studio进行数据标注，训练BERT模型实现实体抽取；利用Python连接MySQL和Neo4j完成数据同步；最后基于LangChain框架开发问答系统，支持语义检索和自然语言回答。项目实现了商品分类

本项目构建了一个电商知识图谱系统，采用Neo4j图数据库存储数据，结合MySQL关系型数据库和多种技术栈实现。系统包含数据准备、实体抽取模型训练、知识图谱构建和智能问答四个核心模块。通过Label-studio进行数据标注，训练BERT模型实现实体抽取；利用Python连接MySQL和Neo4j完成数据同步；最后基于LangChain框架开发问答系统，支持语义检索和自然语言回答。项目实现了商品分类

卷积神经网络（Convolutional Neural Network，CNN）常被用于图像识别、语音识别等各种场合。它在计算机视觉领域表现尤为出色，广泛应用于图像分类、目标检测、图像分割等任务。

LLM微调之实战，SFTTrainer官方案例、LoRA/QloRA微调案例、Unsloth、分布式训练、LLaMA Factory

RNN(Recurrent Neural Network)循环神经网络，LSTM