Datawhale AI夏令营task2.1打卡

最新推荐文章于 2026-01-07 13:36:22 发布
原创 最新推荐文章于 2026-01-07 13:36:22 发布 · 240 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#Datawhale AI夏令营 #python

该任务步入优化阶段，对小白完全超纲。

借助低代码平台优化，沿用task中提示方向，

baseline2.1
把结果一股脑甩出去，第一次优化结果0.58对比baseline下降近10个点。

baseline2.2

优化提示词，减少优化方向，集中在

  1. 解析 udmap 字段：确保提取的特征是有用的。
  2. 处理设备品牌的长尾分布：合并低频类别可能会导致信息丢失。

结果0.63775

baseline2.3

着重优化方向

  1. 按 did 聚合后进行训练预测：聚合可能导致数据稀疏性增加。
  2. 特征重要性指导的特征筛选：可以进一步分析特征重要性，并选择最重要的特征。

结果0.63804

基本都在原地踏步，自己下去学习一下特征工程/时间特征解析/UDMAP字段解析/统计特征构建/n折交叉验证等训练思维才是日后提升的关键。

eulerrrr
关注
Datawhale AI夏令营-大模型技术（微调）Task1打卡
2302_77608969的博客
08-10 931
基于大模型微调技术，微调适用于，完成的任务。
Datawhale AI 夏令营 讯飞机器翻译挑战赛学习笔记
Eight_J的博客
07-21 988
基于术语词典干预的机器翻译挑战赛选择以英文为源语言，中文为目标语言的机器翻译。本次大赛除英文到中文的双语数据，还提供英中对照的术语词典。参赛队伍需要基于提供的训练数据样本从多语言机器翻译模型的构建与训练，并基于测试集以及术语词典，提供最终的翻译结果。训练集：双语数据 - 中英14万余双语句对（用于运行学习算法）开发集：英中1000双语句对（用于调整参数，选择特征，以及对学习算法作出其它决定。有时也称为留出交叉验证集（hold-out cross validation set）。
Datawhale AI夏令营 task2 打卡记录
PlusPro_的博客
07-15 643
通过参与DataWhale的“动手学深度学习”活动（活动ID: 323），我完成了模块4的第13课学习。这个模块聚焦于神经网络优化算法的实践应用，包括梯度下降、反向传播等核心概念。整个学习过程让我受益匪浅，不仅提升了理论知识，还增强了代码实现能力。以下是我的学习心得，分步分享我的体验和收获。
Datawhale AI 夏令营 Task2打卡笔记
Space_onlinr的博客
08-13 807
本地运行大型语言模型的强大工具Ollama是一个开源框架，旨在为本地运行大型语言模型（LLM）提供简便易用的解决方案。是一个开源的、轻量级的本地大模型运行框架，旨在帮助用户轻松地在本地运行和管理各种大型语言模型（LLM）。它提供了一套简单易用的API，用于创建、运行和监控模型，并支持多种流行的LLM，包括GPT-3、Jurassic-1 Jumbo、Megatron-Turing NLG、WuDao 2.0和Bloom等。➡️主要特点简化部署。
Datawhale AI夏令营 task3打卡
linfengl323的博客
08-03 536
**siRNA与target gene序列匹配**：siRNA的反义链与目标基因的序列匹配程度和位置对mRNA的保留水平有显著影响。- **化学修饰**：siRNA的化学修饰，如2′-O-甲基或2′-甲氧乙基取代，可以增强稳定性和减少免疫原性。- `siRNA_feat_builder3_mod`：针对修饰siRNA序列的特征构建。- 在实验中，需要对新引入的特征和模型优化进行细致的评估，以验证它们对模型性能的具体影响。- 评估时，除了关注主要的评价指标外，也要关注模型的稳定性和在不同数据集上的表现。
Datawhale AI夏令营 task2打卡
linfengl323的博客
08-03 393
基线是使用 `siRNA_antisense_seq` 和 `modified_siRNA_antisense_seq_list` 这两个特征，它们都是由符号标记的序列。通过学习本任务，我们了解了如何分析和改进现有的基线模型，如何进行特征工程以增强模型性能，以及如何使用 LightGBM 进行高效的模型训练和预测。- 设置 `boosting_type`、`objective`、`metric` 等参数来配置模型。- **GRU** 是 LSTM 的简化版本，通过两个门（更新门、重置门）来实现类似的功能。
Datawhale AI 夏令营 task 1 笔记打卡
fzyambtion的博客
07-28 885
形成后，siRNA与一种称为RNA诱导的沉默复合物（RNAinduced silencing complex, RISC）的多蛋白组分复合物结合。在RISC复合物中，siRNA链被分离，具有更稳定的5′末端的链通常被整合到活性RISC复合物中。然后，反义单链siRNA组分引导并排列在靶mRNA上，并通过催化RISC蛋白（Argonaute family（Ago2））的作用，mRNA被切割，即对应基因被沉默，表达蛋白能力削弱。Datawhale AI 夏令营 task 1 笔记打卡。RNA干扰（RNAi）
Datawhale AI 夏令营-Task 1打卡
2302_77608969的博客
07-14 949
在深度学习中，模型训练通常需要进行多次迭代，而不是单次完成。深度学习模型的训练本质上是一个优化问题，目标是最小化损失函数。梯度下降算法通过计算损失函数相对于模型参数的梯度来更新参数。由于每次参数更新只能基于一个数据批次来计算梯度，因此需要多次迭代，每次处理一个新的数据批次，以确保模型在整个数据集上都能得到优化。设置训练模式：通过调用将模型设置为训练模式。在训练模式下，模型的某些层（如BatchNorm和Dropout）会按照它们在训练期间应有的方式运行。遍历数据加载器：使用遍历提供的数据批次。input。
Datawhale夏令营-Task2打卡
2302_77608969的博客
07-16 1071
Softmax函数是处理多类别分类问题时非常有用的工具，它。
基于BML CodeLab的电力需求预测#Datawhale AI 夏令营 #Task2打卡
weixin_47135706的博客
07-21 818
经过这次预测模型的学习与实践，我深刻体会到了机器学习，特别是LightGBM这一高效梯度提升框架在解决回归与分类问题中的强大能力。理论基础：首先，我巩固了梯度提升算法的基本原理，理解了它是如何通过迭代地构建弱学习器（通常是决策树）来逐步逼近目标函数的。LightGBM作为GBDT的一个高效实现，通过直方图算法、GOSS和EFB等优化技术，显著提升了模型的训练速度和预测性能。数据处理：数据处理是机器学习项目中至关重要的一环。
深度学习方案尝试电力需求预测优化#Datawhale AI 夏令营 #Task3打卡
weixin_47135706的博客
07-16 1172
经过这次预测模型的学习与实践，我深刻体会到了机器学习，特别是LightGBM这一高效梯度提升框架在解决回归与分类问题中的强大能力。理论基础：首先，我巩固了梯度提升算法的基本原理，理解了它是如何通过迭代地构建弱学习器（通常是决策树）来逐步逼近目标函数的。LightGBM作为GBDT的一个高效实现，通过直方图算法、GOSS和EFB等优化技术，显著提升了模型的训练速度和预测性能。数据处理：数据处理是机器学习项目中至关重要的一环。
1.Datawhale AI夏令营 AIGC TASK1
aiqq136的博客
08-08 944
提示词主体描述，细节描述，修饰词，艺术风格，艺术家【负向prompts】(lowres, low quality, worst quality:1.2), (text:1.2), deformed, black and white,disfigured, low contrast, cropped, missing fingers主体描述【提示】美丽可爱的女孩，微笑，16岁，牛仔夹克，渐变背景，柔和的色彩，柔和的灯光，电影边缘照明，明暗对比，动漫，超级细节，8k。
大模型技术方向 Datawhale AI夏令营第四期Task01笔记
2301_79638883的博客
08-09 1020
pandas是 Python 中一个强大的数据分析和操作库（数据处理与分析工具集），它提供了快速、灵活和表达力强的数据结构，使数据清洗和分析工作变得简单。大概1980年代以后，有了机器学习的方法。那么机器学习顾名思义，从名字就可以被猜出，就是让机器具有学习的能力。所以机器学习跟人工智慧之间什么关系呢？机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习和改进，而不需要明确编程。李宏毅-机器学习教程中有一句话：“生物的行为取决于两件事，一个是后天学习的结果，不是后天学习的结果就是先天的本能。
2024Datawhale AI夏令营---基于术语词典干预的机器翻译挑战赛--学习笔记
weixin_61573157的博客
07-15 1437
机器翻译（Machine Translation，简称MT）是自然语言处理领域的一个重要分支，其目标是将一种语言的文本自动转换为另一种语言的文本。机器翻译的发展可以追溯到20世纪50年代，经历了从基于规则的方法、统计方法到深度学习方法的演变过程。当前，机器翻译正朝着更加智能化和个性化方向发展。一方面，结合上下文理解、情感分析等技术，提高翻译的准确性和自然度；另一方面，通过用户反馈和个性化学习，提供更加符合用户需求的翻译服务。同时，跨语言信息检索、多模态翻译等新兴领域也正在成为研究热点。
使用Python进行人工智能（AI）网页抓取：综合指南
最新发布
SmartGarret的博客
01-07 819
使用Python进行人工智能（AI）网页抓取通过让模型解释页面内容而不是依赖脆弱的HTML规则来简化提取。Python仍然处理获取、验证和存储，而人工智能（AI）即使在布局更改时也能提供一致的结构化数据。随着工作流程的增长，用于抓取的MCP服务器和n8n自动化等工具使扩展、处理重试和将结果移至下游变得更容易，而无需为脚本添加复杂性。这种方法同样适用于快速实验和生产就绪的管道。人工智能（AI）网页抓取是使用语言模型而不是刚性解析规则从网页提取结构化数据的一种方法。
秋叶SD-Trainer中缺少包的问题解决方式，例如onnxruntime
hello000w的博客
01-07 318
解决sd-trainer安装包的问题
学习笔记097——Ubuntu系统中如何通过service服务的方式启动 jar 包？
code__bee的博客
01-06 227
【代码】学习笔记097——Ubuntu系统中如何通过service服务的方式启动 jar 包？
面向微服务事件驱动与异步消息可靠处理的互联网系统高可用设计与多语言工程实践分享
2501_94180531的博客
01-05 479
事件驱动解耦服务，提高吞吐可靠投递与幂等消费保证消息一致性监控、重试与顺序控制是稳定性的关键微服务事件驱动与异步消息可靠处理，使系统在高并发和复杂业务场景下保持稳定与可控。通过在多语言系统中统一幂等语义、结合可靠投递、顺序控制和监控策略，互联网系统能够在异步流程中实现高可用和长期可维护性。这篇关于事件驱动与异步消息可靠处理的工程实践分享，希望为你在微服务高可用设计中提供可落地、长期有效的参考思路。
TDengine JAVA 语言连接器入门指南
TDengine(老段）专注时序数据库领域
01-04 1845
JAVA 语言连接器
Datawhale AI夏令营魔搭AIGC课程注释详解
首先，“Datawhale AI夏令营”指的是一个面向人工智能领域的学习和交流活动，可能是由Datawhale这一组织或社区举办的。Datawhale作为一个开放的学习型社区，聚集了众多对数据科学和人工智能技术感兴趣的学习者和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值