不得不感叹，计算机技术更新迭代的速度太快了，作为程序员每天除了面对工作，就要学习新技术，笔者自己也不例外，近三年来，笔者自己的感觉是一直在为技术疲于奔命，直到现在，也不敢放缓脚步。学习对于程序员来说太重要了，就像每天必须吃饭一样，程序员每天必须抽出一定时间学习新技术，避免被淘汰。然而，目前的计算机编程语言和技术框架可谓百花齐放，百家争鸣。作为程序员如何去学习，以及如何更有效的学习呢?本篇将从以..

从分词、词嵌入、向量数据库，到Prompt工程、Hugging Face、LangChain、模型微调与部署，全面覆盖核心技术。如果它能在你学习、工作或项目的某个时刻，给你一点点启发或帮助，那么这本书的意义，便超越了我个人，带给我一点欣慰。如果你想快速上手大语言模型开发，或者正在寻找数字人落地的实战经验，这本书可能正是你的下一把钥匙。人生的第一次，总是像推开一扇新窗，让光照进来，也让自己看见走过的

回顾决策树的基本知识，其构建过程主要有下述三个重要的问题：     （1）数据是怎么分裂的     （2）如何选择分类的属性     （3）什么时候停止分裂     从上述三个问题出发，以实际的例子对ID3算法进行阐述。先上问题吧，我们统计了14天的气象数据(指标包括outlook，temperature，humidity，windy)，并已知这些天气是否打球(play)。如果

SVM是什么？SVM - support vector machine, 俗称支持向量机，为一种supervised learning算法，属于classification的范畴。在数据挖掘的应用中，与unsupervised的Clustering相对应和区别。广泛应用于机器学习(Machine Learning), 计算机视觉(Computer Vision) 和数据挖掘(Dat

相信大家都会求导吧，给定一个f(x)，都可以唯一确定一个导函数f '(x)，导函数给出了原函数的变化情况。比如导函数为但是，倒过来就不行了，一个导函数对应原函数为，，………无穷多个。写成积分形式就是具体求导过程很多，自己看，为什么呢，因为在求导的过程中，我们虽然得到的函数今后的变化情况，但损失了一部分信息，就是原函数的初始值。概括一下，原函数的信息=导函数的信息+初始值信息

平时经常看到牛顿法怎样怎样，一直不得要领，今天下午查了一下维基百科，写写我的认识，很多地方是直观理解，并没有严谨的证明。在我看来，牛顿法至少有两个应用方向，1、求方程的根，2、最优化。牛顿法涉及到方程求导，下面的讨论均是在连续可微的前提下讨论。 1、求解方程。并不是所有的方程都有求根公式，或者求根公式很复杂，导致求解困难。利用牛顿法，可以迭代求解。原理是利用泰勒公式，在x0处展开，

k-最近邻算法是基于实例的学习方法中最基本的，先介绍基于实例学习的相关概念。基于实例的学习已知一系列的训练样例，很多学习方法为目标函数建立起明确的一般化描述；但与此不同，基于实例的学习方法只是简单地把训练样例存储起来。从这些实例中泛化的工作被推迟到必须分类新的实例时。每当学习器遇到一个新的查询实例，它分析这个新实例与以前存储的实例的关系，并据此把一个目标函数值赋给新实例。基于实例的...

本文出自NIPS2012，作者是大神Alex Krizhevsky，属于多伦多大学Hinton组。概述本文提出的神经网络结构被成为AlexNet，在我最近的研究学习中发现，这一结构及其变种在很多任务中都有使用，回过头来重温一下这篇论文仍然是有必要的。归根到底，本文网络结构相对较浅，而且能够提取到比较丰富的特征，而很多任务的数据集无法达到ImageNet的规模，使用AlexNet是比较好的特

在机器视觉，图像处理领域，卷积神经网络取得了巨大的成功。本文将参考UFLDL和DEEPLEARNING.NET的教程，结合自己的理解，梳理一下卷积神经网络的构成以及其BP算法的求解。虽然利用theano可以方便的实现LeNet5，但是不利于学习和理解卷积神经网络，所以最后会自己动手用Python实现一个简单的LeNet5，并尝试利用python的PyCUDA库进行加速。LeNet-5共

现如今，在更多情况下，我们通过传感器和字节来与机器获得交流，而不是依靠交换情感，那如何让超级智能机器能够和人类正常交流沟通呢？在人工智能背景技术下，自然语言处理（NLP）技术被越来越多的人看好，并受到重视。其中，以微软小冰为代表的聊天机器人，如今却成了网红，迅速刷爆了微信和朋友圈，一个17岁纯情少女懂礼貌、有素质和会作诗，众多网友对她可是情有独钟！下面这幅图是小冰的一个简介。那什么是 NLP？NL