<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[limiaoiao的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/limiaoiao</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; limiaoiao]]></copyright><item><title><![CDATA[论大模型的解题能力]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/149749408</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/149749408</guid><author>limiaoiao</author><pubDate>Tue, 29 Jul 2025 16:29:03 +0800</pubDate><description><![CDATA[1.deepseek（没读到立方体的图）问：这个题的答案是什么？]]></description><category></category></item><item><title><![CDATA[深入理解XGBoost（何龙 著）学习笔记（五）]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/102892693</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/102892693</guid><author>limiaoiao</author><pubDate>Fri, 20 Jun 2025 23:16:49 +0800</pubDate><description><![CDATA[本文接上一篇，内容为线性回归，介绍三部分，首先介绍了"模型评估”，然后分别提供了线性回归的模型代码：scikit-learn的LinearRegression 和 xgboost的gblinear 。]]></description><category></category></item><item><title><![CDATA[深入理解XGBoost（何龙 著）学习笔记（四）]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/148729961</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/148729961</guid><author>limiaoiao</author><pubDate>Wed, 18 Jun 2025 08:55:40 +0800</pubDate><description><![CDATA[例如，f(x,y),对参数x求偏导为∂f/∂x，对参数y求偏导为∂f/∂y，组成梯度向量(∂f/∂x, ∂f/∂y)ᵀ，简称为∇f(x,y)。函数f(x,y)在点（x0,y0）处沿着∇f(x,y)移动，其函数值增加的最快，换一句话说，如果沿着梯度的反方向，则函数值下降的最快，更容易找到最小值。线性回归的目标是，对于输入向量x，预测其目标值y。可以看到，在计算梯度距离时会乘一个步长系数α，梯度向量决定了梯度下降的方向，而步长则决定了梯度下降的距离，还是以下山为例，步长就是沿最陡峭的方向向前走一步的距离。]]></description><category></category></item><item><title><![CDATA[深入理解XGBoost（何龙 著）学习笔记（三）]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/147763665</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/147763665</guid><author>limiaoiao</author><pubDate>Wed, 07 May 2025 14:36:16 +0800</pubDate><description><![CDATA[本章首先介绍了基础的机器学习算法的实现原理和应用；然后对决策树模型做了详细介绍；最后，讲解了排序问题、神经网络和支持向量机。]]></description><category></category></item><item><title><![CDATA[深入理解XGBoost（何龙 著）学习笔记（二）]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/147463220</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/147463220</guid><author>limiaoiao</author><pubDate>Wed, 23 Apr 2025 21:06:41 +0800</pubDate><description><![CDATA[Matplotlib是一个强大的Python库数据可视化库，可以方便地创建多种类型的图表]]></description><category></category></item><item><title><![CDATA[深入理解XGBoost（何龙 著）学习笔记（一）]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/147463167</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/147463167</guid><author>limiaoiao</author><pubDate>Wed, 23 Apr 2025 21:01:46 +0800</pubDate><description><![CDATA[1.1 何谓机器学习🚜 概述： 机器学习的定义：机器学习领域知名学者Tom M.Mitchell定义如下：如果计算机程序针对某类任务T的性能（用P来衡量）能通过经验E来自我改善，则认为关于T和P，程序对E进行了学习。通俗地讲，机器学习是计算机针对某一任务，从经验中学习，并能越做越好的过程。🚜 机器学习所需的基础知识有以下几类： 1）数学：线性代数（矩阵变化）、高等数学；2）概率分布：回归分析等统计学基础知识；3）Python、Numpy、Pandas等数据处理工具；]]></description><category></category></item><item><title><![CDATA[DeepSeek差一点、智谱清言和讯飞星火好一点的一个测试案例]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/146524640</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/146524640</guid><author>limiaoiao</author><pubDate>Wed, 26 Mar 2025 11:36:38 +0800</pubDate><description><![CDATA[测了这么多轮，终于发现DeepSeek有一些小瑕疵，就像好学生也有缺点一样~]]></description><category></category></item><item><title><![CDATA[DeepSeek和讯飞星火模型针对一段代码的输出比较]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/146470414</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/146470414</guid><author>limiaoiao</author><pubDate>Mon, 24 Mar 2025 11:03:31 +0800</pubDate><description><![CDATA[本轮DeepSeek完全胜出，例子具体详实，更能给初学者解释疑惑。]]></description><category></category></item><item><title><![CDATA[讯飞星火和deepseek针对一段transformer代码给的注释]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/146468529</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/146468529</guid><author>limiaoiao</author><pubDate>Mon, 24 Mar 2025 10:09:00 +0800</pubDate><description><![CDATA[这段代码实现了一个用于Transformer模型中的**位置编码（Positional Encoding）**模块。位置编码的作用是为序列中的每个位置添加一个独特的编码，以便模型能够区分不同位置的词或符号。2.从输出内容上，1）DeepSeek更详细，在文章结尾，给出一个实例，让初学者更明白模型的原理。2）DeepSeek深入到代码中，解释具体代码的含义这一点对初学者很友好。1.从输出形式上来看，讯飞星火更有好一些。把注释嵌入到代码中。DeepSeek逐行分析。]]></description><category></category></item><item><title><![CDATA[deepseek、讯飞星火、智谱清言三个模型针对一段transformer代码的回答，第二回合（续各有特色）。]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/146207189</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/146207189</guid><author>limiaoiao</author><pubDate>Wed, 12 Mar 2025 15:58:52 +0800</pubDate><description><![CDATA[在这个数据集中，序列数据是按时间顺序排列的每小时数据点。模型通过学习历史数据的模式来预测未来的目标变量。具体来说，模型会接收过去一段时间的历史数据作为输入，并输出未来一段时间的目标变量预测值。大模型时代，是毛主席描述的《沁园春.长沙》的意境时代。]]></description><category></category></item><item><title><![CDATA[deepseek、讯飞星火、智谱清言三个模型针对一段transformer代码的回答，各有特色。]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/146206529</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/146206529</guid><author>limiaoiao</author><pubDate>Wed, 12 Mar 2025 15:35:06 +0800</pubDate><description><![CDATA[这段代码的作用是为输入序列添加位置信息，让Transformer模型能够感知序列中每个元素的位置。通过正弦和余弦函数生成的位置编码，模型可以捕捉到序列中的相对位置关系。如果有其他问题，欢迎继续提问！]]></description><category></category></item><item><title><![CDATA[ZPQY的AI绘画测试]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/145822723</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/145822723</guid><author>limiaoiao</author><pubDate>Mon, 24 Feb 2025 10:43:20 +0800</pubDate><description><![CDATA[这幅画是根据您提到的沁园春长沙”中的诗句“看万山红遍，层林尽染，漫江碧透，百舸争流”创作的。画面采用了简洁的绘画风格，通过简单的线条和色彩描绘出了红色覆盖的山峦、色彩斑斓的森林、清澈的河流以及河上竞相行驶的小船。画面展现了一幅传统中国风格的山水画，山峦被丰富的红色植被覆盖，层层树木呈现出不同的红色调，营造出一种生动而深邃的景象。在这幅画的基础上，我已经增加了“漫江碧透，百舸争流”的景色。用简洁的绘画风格，创作一幅简笔画，内容根据沁园春长沙中的“看万山红遍，层林尽染，漫江碧透，百舸争流“做一幅画。]]></description><category></category></item><item><title><![CDATA[文心一言、讯飞星火、KIMI、秘塔AI针对同一问题的回答]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/140093515</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/140093515</guid><author>limiaoiao</author><pubDate>Mon, 01 Jul 2024 10:15:52 +0800</pubDate><description><![CDATA[2)……n）kimi给出例子，但是答案不对。]]></description><category></category></item><item><title><![CDATA[pyspark初学含义]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/131590387</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/131590387</guid><author>limiaoiao</author><pubDate>Fri, 07 Jul 2023 09:47:47 +0800</pubDate><description><![CDATA[如果使用jupyter调试pyspark程序，可以配置spark.sql.repl.eagerEval.enabled选项，可以像pandas一样直接执行df即可查看数据（不需要手动调用show函数）：]]></description><category></category></item><item><title><![CDATA[idea无法显示scala插件怎么办]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/122483224</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/122483224</guid><author>limiaoiao</author><pubDate>Thu, 20 Jan 2022 17:32:23 +0800</pubDate><description><![CDATA[新安装idea，无论怎么搜plugin这里都没有scala,后来有帖子说，项目中没有scala文件，但是没说具体怎么弄。



后来想了一下，在项目中新建一个文件，后缀改为.scala,果然这个出现了，具体如下：新建了这个.scala文件










...]]></description><category></category></item><item><title><![CDATA[MAC安装jdk，hadoop见知乎好帖子]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/122557816</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/122557816</guid><author>limiaoiao</author><pubDate>Tue, 18 Jan 2022 13:00:27 +0800</pubDate><description><![CDATA[MAC JDK]]></description><category></category></item><item><title><![CDATA[深度实践SPARK机器学习_学习笔记_第二章2.4探索数据1]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/122385491</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/122385491</guid><author>limiaoiao</author><pubDate>Sun, 09 Jan 2022 21:03:55 +0800</pubDate><description><![CDATA[2.4.1 数据统计信息

schemauser.describe("userid","age","gender","occupation","zip").show()


]]></description><category></category></item><item><title><![CDATA[深度实践SPARK机器学习_学习笔记_第二章2.3加载数据]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/122361221</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/122361221</guid><author>limiaoiao</author><pubDate>Sat, 08 Jan 2022 14:39:40 +0800</pubDate><description><![CDATA[spark  深度实践  机器学习]]></description><category></category></item><item><title><![CDATA[【如何把hive表中的数据放入模型中去训练】]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/107186565</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/107186565</guid><author>limiaoiao</author><pubDate>Mon, 27 Dec 2021 11:16:56 +0800</pubDate><description><![CDATA[网上的都是使用txt导入模型。如下：

Classification and regression - Spark 2.2.0 Documentation


al data = spark.read.format("libsvm").load("data/mllib/sample_libsvm_data.txt")

// Automatically identify categorical features, and index them.
// Set maxCategories so feature]]></description><category></category></item><item><title><![CDATA[spark 多分类的特征选择]]></title><link>https://blog.youkuaiyun.com/limiaoiao/article/details/121947632</link><guid>https://blog.youkuaiyun.com/limiaoiao/article/details/121947632</guid><author>limiaoiao</author><pubDate>Wed, 15 Dec 2021 10:59:21 +0800</pubDate><description><![CDATA[特征选择好像不是全局的选择]]></description><category></category></item></channel></rss>