- 博客(13)
- 收藏
- 关注
RSS订阅原创 SQL 学习笔记｜常用函数实践
SELECTtextFROMWHEREdate='${date}'---使用了批量查询日期的常量，平台变量占位符AND app_id={{应用ID}}---使用了自定义常量定义想查询的appid在SQL语句中包含日期批量查询常量后,查询框下面会出现批量查询日期的选择框,进行日期区间选择。变量写法含义${DATE}${date}业务时间日期；前者yyyy-MM-dd，后者yyyyMMdd（string 需引号）${DATE±n}${date±n}以业务时间为锚点前后 n 天。
2026-10-09 15:35:44
162
原创 SQL 学习笔记｜基础查询、Hive 实操
零基础：第 2 章（建库起步）→ 第 3 章（SELECT/筛选/排序）→ 第 4 章（聚合/JOIN）。数仓/取数：第 5 章（Hive 分区）→ 第 10 章（风神变量）。函数速查：第 6 章（字符串/NULL/条件）→ 第 7 章（JSON）→ 第 8 章（正则）→ 第 9 章（时间）。复习：第 11 章自测 + 第 12 章纠错边界。
2026-10-09 14:57:47
331
原创 大模型微调实践：数据构建、LoRA 调参与训练评估
本文系统阐述SFT、DPO、PPO与GRPO的数据组织、参数理解与效果评估方法。建议先以小模型+LoRA验证实验设置，再扩展至大模型以验证Scaling Law。
2026-09-29 21:45:00
231
原创 大模型训练范式：读懂 SFT、DPO、PPO 与 GRPO
本文从学习材料、训练信号生成与参数更新对象三个维度，解析SFT、DPO、PPO与GRPO四种大模型训练方法的本质区别。SFT通过示范回答直接优化生成概率；DPO基于偏好对比较相对优势，无需奖励模型；PPO通过采样与反馈循环，结合奖励模型与Critic实现在线优化；GRPO则以组内回答比较替代Critic，降低对价值模型依赖。四者核心差异在于：学什么（材料）、如何转信号（机制）、谁被更新（目标）。最终揭示其共性——均将外部信号转化为生成概率的调整，推动模型生成更优回答。
2026-09-29 20:00:00
375
原创 大语言模型 SFT 数据：从数据格式到Loss Mask
理解 SFT 数据，不需要先背下所有格式。存储层决定文件怎么保存。样本层决定输入、答案和角色怎么组织。训练层决定这些内容如何变成数字，以及模型究竟学习哪些部分。输入表达清楚、答案质量合格、框架读取正确、监督范围符合预期。
2026-09-28 13:06:10
308
原创 大模型微调入门：从 SFT、LoRA 到 CoT 数据构建
当Prompt优化已达瓶颈，模型仍“懂通用知识却不懂业务”时，微调（SFT）成为关键解决方案。它通过高质量、可复用的示范数据，稳定模型在专业术语、分类边界、输出风格等任务上的行为。优先采用低成本、高迭代效率的LoRA-SFT，强调数据质量而非数量，注重边界样本覆盖与无泄漏。训练需配合独立测试集和真实业务指标验证，避免“训练集表现好但线上差”。微调非万能，应匹配任务稳定、数据可得、收益可期的场景，结合评测归因持续优化，方能实现真正落地价值。
2026-09-28 11:37:03
368
原创 Agent Skill 学习手册：从概念安装到使用指南
负责理解、规划和执行。把领域方法封装成可复用说明书。提供访问外部系统与数据的能力。在固定生命周期节点自动触发动作。
2026-09-23 20:30:00
169
原创 推荐系统 | 推荐系统核心原理与架构详解：从理论到工业实践
推荐系统在信息过载时代发挥着关键作用，通过智能匹配用户偏好与内容特征提升信息获取效率。其核心技术包括协同过滤、基于内容和知识的推荐，面临冷启动、数据稀疏性等挑战。典型架构采用分层处理（召回-排序-重排），使用深度学习、图网络等先进算法。评估需兼顾准确性（CTR、NDCG）和多样性，未来发展将聚焦大模型融合、实时化与公平性优化。这一系统工程需要算法创新与业务理解的深度结合，以实现精准推荐与用户体验的平衡。
2025-11-20 21:00:00
9260
原创 推荐系统 | 学习路线
用 20+ 集短视频讲清“召回→粗排→精排→重排→冷启动”每一层的技术细节与实现技巧，附带 Jupyter Notebook 与 Golang 推理服务代码。作者把王树森课程+自己读论文的总结按话题重新梳理，形成“目录式”博客，方便查漏补缺。：把 FunRec 或小红书教程完整跑一遍，建立端到端体感，再回头补数学与论文。：每学完一章，把关键公式、踩坑点写成博客，既是复习也是面试素材。：新模型出来先拉 GitHub 代码能跑通，再读论文，效率最高。极客时间《手把手带你搭建推荐系统》专栏（付费，可试读）
2025-11-18 11:43:41
780
原创 深度学习 | GPU选择指南
CPU：Central Process Unit,中央处理器，负责处理数据和计算的元件，计算机上执行的任何一个操作都需要经过CPU的处理和计算，才能展示结果，所以CPU越好，计算机的反映速度就越快。GPU:Graphic Process Unit,图形处理器，专门进行图像数据处理和计算的处理器。CPU适合处理更复杂、连续计算的问题，例如操作系统、程序、键盘操作，鼠标操作等（一个博士生）GPU适合处理简单、大量、重复、并行的计算问题，例如游戏中3D图形的渲染。（成千上万个小学生）
2025-11-18 11:05:37
394
原创 从规则学习到Transformer：人工智能模型架构的演进之路
CNN：擅长“看”，即图像处理。RNN：擅长“记”，即序列数据的处理。：则擅长“理解”与“表达”，即自然语言处理。从规则学习到机器学习，再到神经网络与深度学习，人工智能模型架构的演进之路充满了创新与突破。
2025-10-28 17:31:02
961
原创 时间序列预测方法选型指南：从统计模型到深度学习
在实际业务中，我们经常会遇到时间序列预测问题，例如销售额预测、股票价格预测、能源需求预测等。面对不同类型的时间序列数据，如何选择合适的预测模型成为关键。本文将从时间序列的特性出发，系统梳理各种预测方法的适用场景，并构建一个选型框架，帮助您快速选择初步的预测模型。
2025-09-30 15:48:27
1074
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人