在本系列的第一个部分，我向您介绍了我的艺术创造的朋友约翰，他非常友好地为我们提供了他与生活中五位最亲近的人的聊天记录。我们仅使用了元数据，例如谁在何时发送消息，来可视化约翰何时遇见了他的女友，何时与他的一个最好的朋友发生争执，以及他应该更频繁地给哪些家庭成员写信。这将给你一个印象，即主题在对话中是否同等重要，或者分布是否倾斜，只有少数几个主题在朋友的讨论中占据主导地位。通过这次分析，我们已经表明，

如前所述，TD 方法可以看作是 DP 和 MC 的结合。DP 方法需要一个模型，并迭代地试图改进其对价值函数的估计。为此，他们将 Bellman 方程转化为一个更新规则，并计算：来自[1]的图片也就是说，他们使用先前估计的价值函数作为更新估计的起点——对所有动作及其相应的回报以及先前价值估计进行平均——他们进行“自举”。相反，MC 方法可以仅从经验中学习，这是一个惊人的认识。为了做到这一点，它们会

原文：towardsdatascience.com/teaching-your-model-to-learn-from-itself-8b5ef13eb173?

原文：towardsdatascience.com/te2rules-explaining-why-did-my-model-say-that-54214941075b?

本章中，我们定义了MLOps这一术语，并提出了一个协作型的 ML 项目生命周期，能够提供早期反馈。你已经了解到，通过这个项目生命周期，团队可以持续向业务提供价值。你还了解了为何基于开源软件构建平台是合理的，以及社区驱动软件的好处。本书的这一部分介绍了设置背景、学习为何需要平台以及探索平台预期解决的各种问题。下一章我们将探讨 Kubernetes 系统的一些基本概念，它是我们 ML 平台的核心。

假设你想要构建一个预测模型，预测某人在 45 岁时的预期净资产。需要考虑的变量有很多：智商、当前净资产、婚姻状况、身高、地理位置、健康状况、教育背景、职业状态、年龄等等，甚至可能包括 LinkedIn 连接数量或 SAT 分数等变量。拥有如此多特征的难题是多方面的。首先，数据量庞大，这将导致高存储成本和计算时间。其次，拥有庞大的特征空间时，模型准确性依赖于大量的数据。也就是说，信号与噪声之间的区别

原文：annas-archive.org/md5/ccb0ce37f50c14ac9195f73f7edac92e。

原文：annas-archive.org/md5/ccb0ce37f50c14ac9195f73f7edac92e。

自然语言处理（NLP）的历史与计算机本身一样悠久。20 世纪 50 年代，机器翻译首次引发了人们对 NLP 的兴趣，这也是谷歌在 2006 年推出的第一个商业应用。变换器模型以及注意力机制的首次亮相，是本 decade 最大的 NLP 突破。注意力机制试图通过将“重要性”放在最相关的信息片段上，来模仿人脑中的注意力。近年来 NLP 的繁荣得益于互联网上文本数据的日益丰富以及强大计算资源的发展。这标

原文：towardsdatascience.com/pytorch-introduction-training-a-computer-vision-algorithm-c17ed96e64d5自动驾驶汽车主要依靠计算机视觉算法——由微软设计师中的 AI 生成的图像PyTorch目前是深度学习领域中最热门的库之一。自ChatGPT发布和深度学习进入主流新闻头条以来，该库获得了显著的关注。