构建一个能够自动识别垃圾短信（Spam）和正常短信（Ham）的机器学习模型。机器学习是让计算机从数据中自动学习规律，而不是通过硬编码规则来解决问题。传统编程: 规则 + 数据 → 答案机器学习: 数据 + 答案 → 规则朴素贝叶斯 (Naive Bayes)是一种基于贝叶斯定理的概率分类算法。过拟合 (Overfitting)：模型在训练集上表现很好，但在测试集上表现差。训练准确率：99%测试准确

本文介绍了使用CNN进行MNIST手写数字识别的完整流程，采用代码驱动的学习方式。主要内容包括：数据加载（MNIST数据集介绍与可视化）、数据预处理（归一化与通道维度处理）、模型构建（CNN网络结构设计）。教程详细解释了每个步骤的核心概念、代码实现原理和常见问题，如归一化的重要性、CNN组件功能等。通过模块化组织，读者可以系统掌握从数据准备到模型搭建的关键技术要点，为后续训练和评估奠定基础。

本文介绍了在Windows系统上使用Ollama部署本地大语言模型的基础入门指南。主要内容包括：硬件配置建议、Ollama安装步骤、推荐的中文友好模型（如qwen3.5:9b）、模型拉取与运行方法，以及常见问题解决方案。文章还详细解释了大模型的核心概念，包括Token处理机制、Context上下文理解、Context Window处理限制，以及Temperature参数如何控制输出随机性。通过Py

你需要告诉 Docker：基于什么系统、装什么工具、安装什么依赖、把代码放哪、启动时执行什么。这就是 Dockerfile。特性 默认 bridge 自定义网络（推荐）容器名解析 需要 --link（废弃） 内置 DNS 自动解析跨容器通信 默认不互通 同一网络内默认互通网络隔离 所有容器在同一桥 可建多个独立网络重启后 IP 可能变 可能变（但用容器名，不影响）

Driver 是 Spark 应用中运行。

无论哪种架构，在解码器的最后一步，模型都需要将抽象向量（高维浮点数）转换为具体的单词。Linear 层：将解码器最后一层的输出向量映射到词典大小（Vocabulary Size）的维度。假如词典包含 5 万个词，Linear 层就输出一个 5 万维的向量，每个维度对应一个词的原始得分（Logits）。注：Linear 层不只在输出层出现——它遍布模型各处：生成 Q/K/V 时、FFN 内部的两个线

图：PySpark 代码到最终落盘的调用链——Python 只是壳，真正干活的是 JVM 里的 Spark，最底层通过 Hadoop 访问文件系统。跑通后，照着"操作选择表"把每个 API 都替换一遍练手感，再去看 Spark 官方 DataFrame 文档。：Chrome 会把这两个文件识别为"危险文件"直接拦截，Edge 不会。三个"返回新 DataFrame"的操作都不会改原表——想看结果，

文章摘要 本文系统介绍了从本地RAG到生产级Agent系统的技术演进路径。主要内容包括：1) Agent与LLM的本质区别在于多步推理-行动循环；2) ReAct框架的三步循环机制（思考-行动-观察）；3) 工具调用的底层原理与优化技巧；4) 记忆系统的四种类型与管理策略；5) 工具设计的四个关键要素和错误处理规范。文章还涵盖了Agent质量优化、框架选型、多Agent协作等进阶内容，为构建生产级

工欲善其事，必先利其器。在动手做 AI 项目之前，需要先把本地开发环境配好。本文记录了在 Windows 上使用 Miniconda 搭建 Python AI 学习环境的完整流程，包括安装、换源、创建虚拟环境、安装依赖，以及常见报错的处理方案。

构建一个能够自动识别垃圾短信（Spam）和正常短信（Ham）的机器学习模型。机器学习是让计算机从数据中自动学习规律，而不是通过硬编码规则来解决问题。传统编程: 规则 + 数据 → 答案机器学习: 数据 + 答案 → 规则朴素贝叶斯 (Naive Bayes)是一种基于贝叶斯定理的概率分类算法。过拟合 (Overfitting)：模型在训练集上表现很好，但在测试集上表现差。训练准确率：99%测试准确