本文介绍了一种基于RAG（检索增强生成）技术的Excel数据问答系统解决方案。该系统通过将Excel文档向量化并构建FAISS向量库，结合text2vec中文Embedding和DeepSeek-V3大模型，实现了对本地Excel数据的智能查询。系统分为两个核心模块：1）使用Python脚本将Excel行数据转换为结构化文本并构建向量库；2）通过相似度检索和Prompt工程实现问答功能。该方法有效

摘要：分类模型评估需要多种指标来全面衡量性能。混淆矩阵（TP/FP/FN/TN）是所有评估指标的基础。准确率衡量整体正确率但受类别不平衡影响，精确率关注预测正例的准确性，召回率关注正例的检出率，二者存在权衡关系。F1-score是二者的调和平均，适合需要平衡的场景。不同应用应侧重不同指标：垃圾过滤重精确率，癌症筛查重召回率，一般任务可用F1-score。分类报告(classification_re

KNN算法因其依赖距离计算而对数据预处理极其敏感。本文通过4个Python示例阐述了KNN分类与回归的核心原理，强调标准化（StandardScaler）和独热编码（OneHotEncoder）的必要性。标准化解决数值特征量纲差异问题，确保距离计算公平；独热编码则正确处理无顺序关系的类别特征。文章演示了如何通过ColumnTransformer构建预处理流程，将13个原始特征转换为19个处理后的特

本文实现了一个房价预测模型，结合sklearn特征工程和PyTorch神经网络建模。流程包括数据预处理、特征工程、模型训练与结果可视化。使用Kaggle房价数据集，通过特征划分、标准化和One-Hot编码处理数值与类别特征，采用多层感知机(MLP)模型进行训练。关键优化包括对目标变量进行log变换缓解长尾分布，使用BatchNorm和Dropout提升泛化能力。实验结果表明该方法能有效预测房价，并

本文介绍了使用PyTorch实现基于CNN的Fashion-MNIST图像分类任务。主要内容包括：1）数据预处理，将CSV格式数据转换为28×28张量；2）构建LeNet风格CNN模型，包含两个卷积层和三个全连接层；3）采用Xavier初始化优化参数；4）使用交叉熵损失和SGD优化器进行训练；5）实现了完整的训练循环，包括实时监控训练/验证指标；6）提供单样本预测和可视化功能。该实现展示了从数据处

本文介绍了使用PyTorch实现基于CNN的Fashion-MNIST图像分类任务。主要内容包括：1）数据预处理，将CSV格式数据转换为28×28张量；2）构建LeNet风格CNN模型，包含两个卷积层和三个全连接层；3）采用Xavier初始化优化参数；4）使用交叉熵损失和SGD优化器进行训练；5）实现了完整的训练循环，包括实时监控训练/验证指标；6）提供单样本预测和可视化功能。该实现展示了从数据处

本文介绍了使用PyTorch实现基于CNN的Fashion-MNIST图像分类任务。主要内容包括：1）数据预处理，将CSV格式数据转换为28×28张量；2）构建LeNet风格CNN模型，包含两个卷积层和三个全连接层；3）采用Xavier初始化优化参数；4）使用交叉熵损失和SGD优化器进行训练；5）实现了完整的训练循环，包括实时监控训练/验证指标；6）提供单样本预测和可视化功能。该实现展示了从数据处

本文实现了一个房价预测模型，结合sklearn特征工程和PyTorch神经网络建模。流程包括数据预处理、特征工程、模型训练与结果可视化。使用Kaggle房价数据集，通过特征划分、标准化和One-Hot编码处理数值与类别特征，采用多层感知机(MLP)模型进行训练。关键优化包括对目标变量进行log变换缓解长尾分布，使用BatchNorm和Dropout提升泛化能力。实验结果表明该方法能有效预测房价，并

本项目基于MNIST数据集实现了手写数字识别（0-9），构建了两个结构相同的两层神经网络模型，分别采用数值梯度和反向传播两种方法进行训练。模型结构包含784维输入层、50个神经元的隐藏层和10类输出层。数值梯度通过参数扰动计算导数，实现简单但效率低下；反向传播则通过计算图实现误差从输出层到输入层的逐层传播，效率显著提高。实验对比了两种方法在计算效率和原理上的差异，验证了反向传播在深度学习中的优越性

接上一个实践，需求经理希望用户检索的时候，在5类可供选择的同时也可以自定义字段。借助大模型的语义理解来做此内容匹配引擎，可以在数据库文本数据中智能识别与特定关键词相关联的内容。组长要我说给每一条工单都打上true/flase的标记来表示是否为用户输入的字段，所以还是需要用大模型遍历每一条工单的content。游标 (cursor)：用于执行 SQL 命令和获取结果。SQL 查询：从表中选择和字段，