百度在WAVE SUMMIT 2025大会上发布了文心大模型X1.1，这是基于文心4.5的升级版本。X1.1在事实性、指令遵循、智能体协作和工具调用等方面表现突出，能力较前代显著提升。实测显示，X1.1能自主调用工具解决复杂问题，严格遵循指令生成内容，并展现出强大的多模态和代码能力。技术层面，X1.1采用迭代式混合强化学习框架，结合知识一致性强化、指令验证器等创新，实现了"思维链+行动链"的突破。

百度在WAVE SUMMIT 2025大会上发布了文心大模型X1.1，这是基于文心4.5的升级版本。X1.1在事实性、指令遵循、智能体协作和工具调用等方面表现突出，能力较前代显著提升。实测显示，X1.1能自主调用工具解决复杂问题，严格遵循指令生成内容，并展现出强大的多模态和代码能力。技术层面，X1.1采用迭代式混合强化学习框架，结合知识一致性强化、指令验证器等创新，实现了"思维链+行动链"的突破。

百度在WAVE SUMMIT 2025大会上发布了文心大模型X1.1，这是基于文心4.5的升级版本。X1.1在事实性、指令遵循、智能体协作和工具调用等方面表现突出，能力较前代显著提升。实测显示，X1.1能自主调用工具解决复杂问题，严格遵循指令生成内容，并展现出强大的多模态和代码能力。技术层面，X1.1采用迭代式混合强化学习框架，结合知识一致性强化、指令验证器等创新，实现了"思维链+行动链"的突破。

在这次任务中，主要学习到了Shap和Lime工具包的使用，在图像分类的基础上去解释他，知其然还要知其所以然。使用CAM和Captum工具包，可以减少我们很多很多的代码量，并且能快速使用，快速应用在自己的任务中、在经过一个多星期的学习，也是需要这种代码实战告诉我们，这些应用是全面且方方面面的，这样就不会空读理论，这样可以让我们有机会将理论和实践结合起来，希望后续能够将XAI和Lime运用到我的领域中

任务六：学会训练FastText、Word2Vec词向量- 说明：在这个任务中，你将学习如何训练FastText和Word2Vec词向量模型，这些词向量模型可以捕捉文本中的语义信息。- 实践步骤：1. 准备大规模文本语料库。2. 使用FastText或gensim库中的Word2Vec类，设置相应的参数（如词向量维度、窗口大小、训练迭代次数等）来构建词向量模型。3. 使用Word2Vec类的bui

好事达保险索赔预测 Allstate Claims Severity （xgboost)在这次Machine Learning中，我用了一个在学校做的一个项目来进行实战，当时老师给的数据还是比较小的，但是也还好哈哈哈，当然这个也在kaggle上有一个competition - > Allstate Claims Severity在这次中，我希望我能学习到xgboost的算法，这个多次在kag

PRML - Chapter 1: Introduction对于第一章来说，都是一些简单的介绍，是一些机器学习的基础知识，如：训练集、测试集、泛化、有监督学习、无监督学习、特征抽取等基本概念。基本知识点训练集 ( training set ) : 用来通过训练来调节模型的参数。输入变量 x\text{x}x 的 NNN 次观测组成，记作 X≡{x1,⋯ ,xN}\text{X}\equiv\{\t

首先非常感谢同济子豪兄拍摄的可解释机器学习公开课，并且免费分享，这门课程，包含人工智能可解释性、显著性分析领域的导论、算法综述、经典论文精读、代码实战、前沿讲座。由B站知名人工智能科普UP主“同济子豪兄”主讲。 课程主页：https://github.com/TommyZihao/zihao_course/blob/main/XAI 一起打开AI的黑盒子，洞悉AI的脑回路和注意力，解释它、了解它、

第5章 决策树1．分类决策树模型是表示基于特征对实例进行分类的树形结构。决策树可以转换成一个if-then规则的集合，也可以看作是定义在特征空间划分上的类的条件概率分布。2．决策树学习旨在构建一个与训练数据拟合很好，并且复杂度小的决策树。因为从可能的决策树中直接选取最优决策树是NP完全问题。现实中采用启发式方法学习次优的决策树。决策树学习算法包括3部分：特征选择、树的生成和树的剪枝。常用的算法有I

深度学习模型的训练/推理过程涉及很多步骤。在有限的时间和资源条件下，每个迭代的速度越快，整个模型的预测性能就越快。我收集了几个PyTorch技巧，以最大化内存使用效率和最小化运行时间。为了更好地利用这些技巧，我们还需要理解它们如何以及为什么有效。我首先提供一个完整的列表和一些代码片段，这样你就可以开始优化你的脚本了。然后我一个一个地详细地研究它们。对于每个技巧，我还提供了代码片段和注释，告诉你它是