- 博客(14)
- 收藏
- 关注
RSS订阅原创 科大讯飞AI大赛（机器学习方向）——Datawhale AI夏令营：用AI预测新增用户
【数据竞赛解析：新用户预测任务精要】 150字摘要： 本文深度解析新用户预测竞赛任务，核心是构建二分类模型识别新老用户。关键点包括：1)重点处理时间戳(common_ts)和JSON格式(udmap)数据；2)评估指标选用F1分数而非准确率，以平衡查准率和查全率；3)70%精力应投入特征工程，尤其要挖掘用户活跃周期和自定义属性。建议分四步：数据探索→特征处理→建立基线→模型优化，特别强调时间特征和JSON解析的重要性。适合各水平选手参考的实战指南。#数据科学 #特征工程
2025-07-14 21:12:46
968
原创 大模型应用开发大赛& MCP 协议——Datawhale春训营第三期大模型应用开发大赛TASK3
【摘要】大模型应用开发大赛结合MCP协议将加速AI应用落地。当前AI落地的核心挑战在于模型与外部世界的连接能力，MCP协议通过标准化接口解决了工具调用、数据交互等关键问题，相当于AI领域的"USB-C接口"。开发者大赛提供创新验证平台，而MCP协议能显著提升开发效率，支持构建更复杂的AIAgent应用。二者的结合将促进MCP生态成熟，培养新一代开发者，推动AIAgent时代的到来。这一组合不仅优化开发流程，更构建了连接AI能力与现实需求的智能桥梁。（149字）
2025-05-24 20:10:14
985
原创 基于MCP的AI Agent应用开发——Datawhale春训营第三期Task2
本文介绍了如何搭建一个基于Python的MCP服务器。首先，通过安装MCP Python SDK和fastmcp库，创建了一个本地运行的ModelContextProtocol (MCP)服务。该服务定义了一个名为“chat”的工具，供其他遵循MCP协议的大语言模型调用。文章详细分析了代码的各个部分，包括如何导入FastMCP类、创建服务实例、使用装饰器注册工具、定义函数参数和返回值类型，以及启动服务并指定传输协议。此外，文章还提出了优化和新增功能的建
2025-05-22 20:50:17
1112
原创 大模型应用开发大赛星火杯TASK2——Datawhale AI春训营第三期
Datawhale春训营第三期的“大模型应用开发大赛星火杯”聚焦于大学生真实应用场景，提供了一个探索“AI+大学生场景”的绝佳机会。文章分享了一个入门级应用项目——大学生自媒体智能助手的设计构思，旨在解决大学生自媒体创作中的痛点，如选题难、效率低等问题。项目利用大模型的自然语言处理和内容生成能力，提升内容创作效率和质量，帮助大学生平衡学业与兴趣。设计架构简洁，核心功能包括选题策划、内容生成、写作辅助、内容优化等，旨在通过大模型技术赋能大学生自媒体创作，让AI成为创作者的得力助手。
2025-05-17 21:00:01
903
原创 从零打造Python项目助手——Datawhale AI春训营:大模型应用开发
从零打造Python项目助手——Datawhale AI春训营:大模型应用开发
2025-04-16 23:44:39
1061
原创 Datawhale寒假1月组队学习——fun-transformer:Task5总结
首先，词向量通过权重矩阵被映射到查询（Query）、键（Key）和值（Value）空间，然后计算查询与所有键的相似度得分，再通过softmax函数将得分转化为概率分布，最后通过加权和得到注意力输出。Task5展示了注意力机制的核心思想，通过计算每个输入单词的注意力权重，从而使模型能够聚焦于最相关的部分。值得注意的是，softmax函数在计算过程中起到了一定的数值稳定性作用，它通过对得分进行缩放（除以键的维度），有效避免了可能出现的数值溢出问题。总结来说，理解并实现注意力机制是构建强大NLP模型的关键一步。
2025-01-26 22:20:25
225
原创 Datawhale寒假1月组队学习——wow-agent:Task4总结
完成wow-agent项目的学习后，我们不仅能掌握如何在企业环境中搭建智能Agent，还能深刻理解智能体技术背后的逻辑和设计方法。我们将能够选择最适合自己需求的工具与框架，灵活地实现不同类型的智能体，并帮助企业实现更智能、高效的办公与决策流程。
2025-01-26 22:06:07
379
原创 Datawhale2025寒假一月组队学习——fun-transformer:Task4
文章不仅解释了掩码在解码过程中的作用，还通过实例展示了“教师强制”（Teacher Forcing）和“计划采样”（Scheduled Sampling）的训练策略，这对模型训练的稳定性和生成效果具有重要影响。我个人非常喜欢文章中的比喻，如将解码器比作烹饪食谱的过程，这样的类比让复杂的机器学习过程变得更加易于理解。总的来说，这篇文章不仅提升了我对模型内部机制的理解，也让我在实践中更好地掌握了 Transformer 的应用方法，尤其是在 NLP 任务中的重要性。
2025-01-24 00:41:31
223
原创 Datawhale寒假1月组队学习——fun-transformer:Task3
文章还重点讨论了多头自注意力机制，介绍了 Q、K、V 的定义以及它们在自注意力中的作用，并通过具体的公式解析了如何通过点积来计算注意力权重，这为理解 Transformer 模型的运作奠定了基础。通过对比传统的 RNN 和 CNN，强调了自注意力机制在捕捉长距离依赖关系方面的优势，尤其是能够并行化计算，这为处理大规模数据提供了极大的便利。自注意力和交叉注意力的对比部分进一步帮助理解了这两种机制在不同任务中的应用场景和特点，尤其是它们在处理跨模态信息时的不同功能。
2025-01-21 18:30:21
166
原创 Datawhale寒假组队学习——wow-agent:Task3
总体而言，这段代码展示了如何将 Zigent 框架与大语言模型结合起来，构建一个自动化的教程生成智能体，具有很好的可扩展性和用户体验。通过合理的分块设计，解决了大语言模型生成长文本时可能遇到的限制，同时保留了生成内容的质量和结构。对于进一步的扩展，可以考虑增加更多的自定义选项以及对生成内容的后处理。
2025-01-19 21:00:14
342
原创 DataWhale寒假组队学习——fun-Transformer:Task2感悟
Bahdanau等人提出的注意力机制，通过赋予输入句子中的每个单词不同的重要性，使得解码器在生成每个单词时，能够更加关注与当前生成单词相关的输入部分，从而改善了翻译效果。总的来说，Task2不仅让我深入了解了注意力机制和Transformer模型的工作原理，还让我意识到Transformer模型的提出，彻底改变了自然语言处理领域的研究和应用方向。在实际应用中，Transformer为许多任务，如机器翻译、文本生成、语义理解等提供了强大的支持，也为深度学习模型的创新提供了新的方向。
2025-01-18 18:45:30
214
原创 Datawhale寒假一月组队学习——wow-agent:Task2学习感悟
在实际的项目中，尤其是涉及到大数据或多方信息源的情况，ReActAgent和RAG的结合能够带来显著的提升，使得Agent能够灵活应对更广泛的任务，甚至处理跨领域的问题。文中举的几个简单的例子，包括基本的加法与乘法计算，天气查询，数据库操作等，都展示了ReActAgent如何通过将复杂的任务分解成多个可调用的工具函数来实现更精确的控制。最后，文中提到的一些技术细节，尤其是如何配置和整合模型，如何创建与管理Agent的工具函数，为我们实现定制化的智能系统提供了非常宝贵的指导。
2025-01-17 20:36:17
353
原创 DataWhale寒假一月组队学习——fun-transformer
从RNN到LSTM，再到Seq2Seq和Attention机制，最后发展到Transformer和BERT模型，这篇文章勾勒出了一条清晰的技术演进路线。注意力机制的发展，尤其是自注意力机制和多头注意力的引入，体现了NLP领域近年来的重大突破。Seq2Seq模型的提出，尤其是其能够处理变长输入输出序列的能力，彻底改变了传统深度学习对于固定长度输入输出的限制。文章中提到的从“固定向量”到“变长序列”的过渡，凸显了人工智能在处理复杂、多样化任务时的灵活性。
2025-01-15 18:35:22
430
原创 DataWhale2025第一场组队学习——wow-agent
未来，多个专门化的Agent可以协同工作，共同完成更复杂的任务；这让我意识到，Agent不仅是单独的智能体，而是可以成为一个系统的组成部分，具备更强的协作性。在学习中，我曾被大量复杂的安装依赖折磨得头大，而wow-agent的目标是以最少的成本实现功能，这种实用性和效率是新手开发者最需要的。第一次参加DataWhale的组队学习，作为一名Agent初学者，在阅读了Task1的教程（tutorial1,2,3）后，我对Agent的概念和发展方向有了更深刻的认识，也对这个领域充满了兴趣和期待。
2025-01-14 22:05:52
820
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人