- 博客(62)
- 收藏
- 关注
RSS订阅原创 AI Agent设计模式实现-ReAct 模式
本文介绍了AI Agent在生产环境中的关键设计模式——ReAct模式（推理与行动），该模式通过循环执行推理、执行、观察三阶段实现结构化决策，增强系统可靠性和可调试性。文章分析了ReAct的优势（透明审计、减少幻觉）和局限性（延迟增加、依赖模型能力），并提供了基于DeepSeek API的具体实现方案，包括封装LLM客户端、处理流式响应和工具调用的代码示例。这种模式特别适用于复杂任务场景，在计算成本和系统可靠性之间取得平衡。 （摘要字数：149字）
2026-08-06 17:51:48
225
原创 如何在机器学习中使用特征提取对表格数据进行处理
本教程分为三部分；它们是：数据准备的特征提取技术数据集和性能基准葡萄酒分类数据集baseline模型性能数据准备的特征提取方法。
2025-11-01 12:08:44
1312
原创 7个技巧：使用LLM嵌入对文本数据进行高级特征工程
大型语言模型（LLMs）不仅擅长理解和生成文本；它们还可以将原始文本转换为称为嵌入的数值表示。这些嵌入对于将附加信息纳入传统预测机器学习模型（如中使用的模型）中以提高下游性能非常有用。本文介绍了七个高级的Python特征工程技巧示例，通过利用LLM生成的嵌入来为文本数据增加额外价值，从而提高依赖文本的下游机器学习模型在情感分析、主题分类、文档聚类和语义相似性检测等应用中的准确性和鲁棒性。所有示例的通用设置除非另有说明，下面七个示例技巧都使用了这个通用设置。我们依赖于进行嵌入和进行建模工具。
2025-11-01 12:06:53
1263
原创 在2分钟内理解损失函数的数学原理
我必须说，随着机器学习的持续炒作，很多人直接跳到应用层面，而没有真正理解幕后的工作原理。那么，我们对任何机器学习模型的目标是什么呢？你可能会说，“做出准确的预测。没错。但是你实际上如何告诉你的模型，“你很接近”还是“你差得远”？它如何知道它犯了错误——以及错误的程度如何？这就引出了损失函数。它告诉我们模型的预测与实际答案之间的差距。
2025-10-31 11:14:15
1317
原创 用10个现实世界问题类比解释机器学习算法
当我上高中时，学习复杂的数学问题时，我总是思考我们为什么要学习它们，或者它们为什么有用。我无法理解并找到它们在现实世界中的应用。由于机器学习也是一个热门话题，许多人希望探索它，机器学习算法背后的复杂数学和抽象使得初学者难以欣赏和学习它的应用。这就轮到类比学习发挥作用了。它允许你将现实世界中的类比与复杂的概念联系起来，这些概念帮助你保持好奇心并进行创造性思考。这在你后来实际应用这些算法解决现实世界问题时真的很有帮助。
2025-10-31 10:54:44
505
原创 机器学习从业者大语言模型微调指南
微调在2024-2025年变得更加容易，参数高效的方法使得即使70B+参数模型也能在消费级GPU上运行。但是，你真的应该微调吗？如果是的话，如何在数十种新兴技术中进行选择？本指南适用于希望获得实际成果的从业者，而不仅仅是理论。您将了解在何时进行微调是合适的，使用哪些方法，并如何避免常见的陷阱。微调与传统的机器学习不同。与其从头开始训练模型，不如使用预训练模型并结合更少的数据和计算来适应特定任务。这使得复杂的自然语言处理（NLP）功能在没有数十亿美元预算的情况下成为可能。
2025-10-30 09:41:24
1102
原创 小模型是AI Agent的未来
本文提供了最近论文的总结和评论小语言模型是代理人工智能的未来。该研究是一份立场论文，提出了关于小语言模型(SLMs)在代理人工智能系统中推动创新的潜力的几个深刻的假设，与当前推动现代代理人工智能解决方案的主要组件——大语言模型（LLMs）相比，这些假设非常有见解。在我们深入讨论论文之前，先来几个快速定义：代理型AI系统是能够在复杂和动态环境中进行推理、规划、决策和行动的自主系统。
2025-10-29 11:59:53
1199
原创 7 个必须了解的AI Agent 设计模式
构建在生产中运行的AI Agent需要的不仅仅是强大的模型。您需要一个明确的结构，以说明代理如何推理、协调、自我纠正，并使用工具来实现目标。设计模式提供了这种结构。它们就像蓝图，定义了代理行为，并帮助从有能力的模型过渡到可靠的系统。代理能够扩展和能够应对困难之间的区别在于选择符合任务要求的模式。本文解释了七个设计模式，这些模式将有效的智能体与昂贵的实验区分开来。这些模式基于由 Google、AWS 及其他团队发布的研究和指南，这些团队在大规模部署智能体。
2025-10-29 11:49:34
976
翻译 袋装法 vs 提升法 vs 堆叠法：2025年哪种集成方法胜出？
在机器学习中，没有一个模型是完美的。这就是数据科学家使用集成方法的原因，这些方法是将多个模型组合起来以做出更准确预测的技术。其中最受欢迎的是bagging、boosting和stacking。它们的工作方式各不相同：bagging通过平均化来减少错误，boosting逐步改进结果，而stacking融合不同的模型。到2025年，这些方法比以往任何时候都更加重要。它们驱动着从推荐到欺诈检测的系统。在本文中，我们将看看bagging、boosting和stacking之间的比较。袋装法，即自助聚合。
2025-09-24 17:35:00
158
原创 2025年必须了解的10个LLM Python库
大型语言模型（LLMs）正在改变我们对人工智能的看法。它们有助于聊天机器人、文本生成和搜索工具等其他自然语言处理任务。要使用LLMs，您需要合适的Python库。在本文中，我们探讨了每个开发者在2025年应该了解的10个Python库。1. Hugging Face 变压器最适合：预训练语言模型、微调、推理Hugging Face 的 Transformers 库是处理 LLMs 的一组流行工具。它提供了数千个用于各种任务的预训练开源模型，包括 BERT、T5、Falcon、LLaMA 等。
2025-09-24 17:33:03
1074
原创 通过从头开始实现来理解机器学习算法
从头开始实现机器学习算法似乎是一个让程序员理解机器学习的好方法。也许就是这样。但这种方法也有其缺点。在这篇文章中，您将发现一些很棒的资源，这些资源可以帮助你从头开始实现机器学习算法。你还会发现这种看似完美的方法的一些局限性。
2025-09-03 15:47:57
711
原创 逻辑回归 vs 支持向量机 vs 随机森林：哪个更适合小数据集？
当你有一个小数据集时，选择合适的机器学习模型可以产生很大的影响。三个流行的选择是逻辑回归、支持向量机（SVM）和随机森林。每一个都有其优点和缺点。逻辑回归易于理解和快速训练，SVM擅长找到明确的决策边界，而随机森林擅长处理复杂的模式，但最佳选择通常取决于你的数据的大小和性质。在本文中，我们将比较这三种方法，并看看哪种方法在较小的数据集上表现最佳。
2025-09-03 14:36:11
1114
原创 用Python从头开始实现bagging
决策树是一种简单而强大的预测建模技术，但它们存在高方差的问题。这意味着，给定不同的训练数据，决策树可能会得到非常不同的结果。一种使决策树更稳健并实现更好性能的技术称为自助聚合或简称bagging。在这个教程中，你将学习如何用Python从零开始实现决策树的bagging程序。完成本教程后，您将了解：如何创建数据集的自助样本。如何使用自助模型进行预测。如何将bagging应用到你自己的预测建模问题中。
2025-08-24 17:39:02
1113
原创 7个提高机器学习模型的Pandas技巧
如果你正在阅读这篇文章，很可能会意识到机器学习模型的性能不仅仅是由所选择的算法决定的。它还高度依赖于模型所训练的数据的质量和代表性。数据预处理和特征工程是您的机器学习工作流程中最重要的步骤之一。在Python生态系统中，Pandas是处理这些类型数据的首选库，这您可能也已经知道。掌握几项Pandas数据转换技术可以显著简化您的工作流程，使您的代码更清洁、更高效，并最终导致性能更好的模型。
2025-08-24 17:36:10
859
原创 7 个你不知道的 NumPy 技巧
NumPy 是 Python 中最流行的用于处理数字和数据的库之一。它速度快、易于使用，并且包含了许多可以节省您在处理大型数据集时时间的功能。在本文中，我们将探讨7个有用的NumPy技巧，这些技巧可以让你的代码更短、更快、更易懂。每个技巧都附有示例和实际应用，让你可以立即开始应用它们。
2025-08-21 11:03:32
450
原创 关于Hugging Face模型库和社区
关于Hugging Face模型库和社区你需要了解的一切Hugging Face在机器学习应用技术的突破中做出了显著贡献，尤其是在NLP领域。他们能够做出很多贡献是因为Hugging Face专注于建立一个平台，使社区能够轻松地向公众提供模型、工具和数据集。这就是为什么Hugging Face成为了贡献和展示许多机器学习作品的地方。由于Hugging Face平台对世界科技突破至关重要，我们应该更深入地了解Hugging Face Hub平台。
2025-08-21 11:02:21
921
原创 用Python对机器学习数据进行缩放
许多机器学习算法期望数据被一致地缩放。在为机器学习扩展数据时，你应该考虑两种常用的方法。在这个教程中，您将了解如何为机器学习重新缩放您的数据。阅读完这个教程后，您将知道：如何从头开始对您的数据进行标准化。如何从头开始标准化您的数据。何时归一化数据而不是标准化数据。
2025-08-14 11:33:47
689
原创 用Python从零开始实现机器学习Baseline
在预测建模问题上建立基准性能是重要的。基准线为之后评估的更高级方法提供了一个比较点。在这个教程中，你将学习如何从头开始用Python实现基础的机器学习算法。完成本教程后，您将了解：如何实现随机预测算法。如何实现零规则预测算法。
2025-08-14 11:15:45
1221
原创 回归模型为什么会失败
在回归模型中，失败发生在模型产生的预测不准确时——即当MAE或RMSE等误差指标高时——或者当模型在部署后，无法很好地泛化到与训练或测试时不同的新数据上。虽然模型失败通常以这两种形式之一或两者兼有表现出来，但其根本原因可能更加多样和微妙。本文探讨了一些回归模型可能表现不佳的常见原因，并概述了如何检测这些问题。同时，还附上了使用XGBoost（一种强大且可高度调整的基于集成的回归模型）的实用代码片段。尽管XGBoost很受欢迎且功能强大，但如果训练或评估不当，它也可能失败！
2025-08-12 16:27:35
1151
原创 用Python从零开始实现神经网络
本文介绍了如何使用Python从头实现反向传播算法来训练前馈神经网络。主要内容包括：神经网络初始化方法、前向传播与反向传播流程、网络训练步骤，并应用于小麦种子分类问题。该数据集包含201条记录，7个数值特征和3个输出类别。教程详细展示了如何构建网络结构（输入层、隐藏层、输出层），随机初始化权重，并解释了如何通过误差反向传播调整权重。最终可应用于实际分类任务，基准准确率为28.095%。完整实现包含6个关键步骤：网络初始化、前向传播、误差反向传播、训练网络、预测和应用案例研究。
2025-08-11 17:39:19
1119
原创 7个Pandas技巧用于时间序列特征工程
特征工程是构建有效的机器学习模型时最重要的步骤之一，这在处理时间序列数据时也同样重要。通过能够从时间数据中创建有意义的特征，您可以解锁单独应用于原始时间戳时无法获得的预测能力。幸运的是，Pandas提供了一套强大的、灵活的用于操作和创建时间序列特征的函数。本文将探讨7个实用的Pandas技巧，这些技巧可以帮助你转换时间序列数据，从而提升模型并进行更强大的预测。我们将使用一个简单的合成数据集来说明每种技术，使你能快速掌握这些概念并将其应用到自己的项目中。时间序列特征工程是艺术和科学的结合。
2025-08-08 17:26:17
876
原创 大数据集的7种高级数据操作技术
这概述的要点不是挑选一个赢家。而是挑选适合工作的工具。如果你想在最少的更改下扩展你的Pandas代码，Dask是一个坚实的第一步。对于单台机器上的纯粹速度，Polars是令人震惊的快。如果你关心互操作性或在系统之间传递数据，Arrow保持事物紧凑和高效。更喜欢SQL？DuckDB让你可以在不设置数据库的情况下对大文件运行分析查询。处理大规模数据集或企业管道？那是PySpark的领域。需要在笔记本电脑上快速进行分析吗？Vaex给你映射内存的性能和Pandas的感觉。
2025-08-05 14:10:55
904
原创 生成式人工智能的7个新兴趋势及其现实世界的影响
生成式人工智能的创新步伐丝毫没有放缓的迹象。这些新兴趋势反映了人工智能如何越来越多地嵌入到现实世界的过程中——从编写代码和自动化支持到创作艺术和执行伦理标准。随着各行业的不断适应，那些早期接受这些趋势的组织可能会获得关键优势。作艺术和执行伦理标准。随着各行业的不断适应，那些早期接受这些趋势的组织可能会获得关键优势。保持信息灵通和灵活将是在这个由人工智能驱动的新时代中繁荣发展的关键。
2025-08-05 14:08:53
871
原创 7个pandas技巧
总结你的数据是分析过程中的一个关键部分。你可以使用 named aggregations 在.agg()方法中为每个指标分配自定义名称，而不是使用默认的聚合名称。这样，你的结果DataFrame将有有意义的列名，比如avg_sales和而不是仅仅sales或discount。
2025-08-04 14:36:30
793
原创 LLM嵌入特征工程
本文介绍了利用大型语言模型(LLM)嵌入进行特征工程的方法。LLM嵌入通过对整个文本序列生成语义丰富的向量表示，相比传统词嵌入能更好地捕获上下文信息。文章展示了如何结合Scikit-learn使用LLM嵌入处理客户支持工单分类任务：首先使用SentenceTransformers将文本转换为嵌入，然后与结构化特征合并，最后训练随机森林分类器。实验结果表明该方法在五分类任务上取得了80%的准确率，证明了LLM嵌入能有效提升传统机器学习模型在文本任务中的表现。文章还建议进一步与传统特征工程方法对比以验证其优势。
2025-08-04 14:14:31
1249
原创 使用 Scikit-LLM 进行零样本和少样本分类
本文介绍了Scikit-LLM库如何将大型语言模型(如GPT)与Scikit-learn框架集成，用于文本分类任务。重点探讨了零样本和少样本分类的差异及实现方法：零样本分类无需训练数据，仅基于类别标签进行预测；少样本分类则通过少量标记示例引导模型推理。文章提供了详细的使用指南，包括安装配置、API密钥设置及代码示例，展示了如何利用Scikit-learn风格的方法调用这些分类功能。两种技术的主要区别在于提示策略：零样本完全依赖模型预训练知识，少样本则加入少量标记数据增强预测准确性。
2025-08-01 15:03:13
654
原创 使用自定义数据集训练 YOLOv12 以检测道路坑洞严重程度
道路上的裂缝和坑洞不仅仅是麻烦。它们是危险的。从损坏车辆到引发事故，维护不善的道路会带来严重的安全风险。传统检查方法涉及人工调查，这种方法耗时、昂贵，并且通常在实时监控方面无效。深度学习在这里介入— 具体来说，是能够分析道路的图像或视频并自动检测坑洞的物体检测模型。在众多选项中，YOLOv12由于其强大的功能和高效性，成为迄今为止最出色的模型之一。它基于之前YOLO版本的成功。它结合了最新的注意力机制（例如，RELAN和区域注意力），使其成为第一个为实时应用设计的注意力驱动的YOLO。
2025-08-01 14:57:48
1090
原创 2024 年最有影响力的 5 篇机器学习论文
人工智能 (AI) 研究，特别是机器学习 (ML) 领域的研究，持续增加其在全球范围内受到的关注。为了让您了解围绕 AI 和 ML 的科学炒作，自 2023 年底以来，上传到开放获取预印本档案作品数量几乎翻了一番，截至年底，存储库中提供了超过 3 万篇与 AI 相关的论文2024 年。正如您可能猜到的，其中大多数都以 ML 为重点；毕竟，深度学习架构、生成式人工智能解决方案以及当今几乎所有计算机视觉和自然语言处理系统本质上都是机器学习系统，它们从数据中学习以执行越来越令人惊讶的任务。
2025-04-30 14:12:46
1530
原创 10 个用于机器学习建模的 Python 一行代码
建立现在已成为每个人都能做到的事情。只需要一些关于这一领域的人工智能（AI）基础知识和一些编程技能。为了以编程方式优雅且紧凑地构建机器学习模型，今天通常首选Python。本文深入探讨了在构建机器学习模型时常见的 Python 编程实践。具体而言，我们研究了 Python 编写单行代码的能力，这些单行代码能够高效且简洁地完成有意义的任务，以解释。
2025-04-30 13:59:43
1187
原创 如何开发针对不平衡分类的成本敏感神经网络 python
不平衡分类数据集Keras 中的神经网络模型深度学习解决不平衡分类问题使用 Keras 的加权神经网络。
2024-08-31 18:23:07
1390
原创 用于不平衡分类的 Bagging 和随机森林
不平衡分类的 Bagging标准装袋随机欠采样的 Bagging不平衡分类的随机森林标准随机森林带类别权重的随机森林带引导类权重的随机森林随机欠采样的随机森林不平衡分类的简单集成简易合奏。
2024-08-26 20:17:55
2360
原创 如何建立乳腺癌患者生存的概率模型 Python
开发概率模型通常很有挑战性，但当案例分布出现偏差（称为不平衡数据集）时，挑战会变得更大。Haberman 数据集描述了 20 世纪 50 年代和 60 年代乳腺癌患者五年或更长的生存期，其中大部分患者都存活了下来。这个标准的机器学习数据集可以作为开发概率模型的基础，该模型可以根据患者的一些病例细节预测患者的存活概率。鉴于数据集中案例的分布不均，必须仔细注意预测模型的选择，以确保预测校准的概率，以及模型评估的选择，以确保根据预测概率的技能而不是明确的生存与非生存类标签来选择模型。在本教程中，您将了解如何开发模
2024-08-24 12:50:22
980
原创 如何建立一种检测漏油的不平衡分类模型
在这种情况下，我们可以看到，添加 SMOTEENN 提高了默认 LR 算法的性能，实现了平均 G 均值为 0.852，而第一组实验结果中的平均 G 均值为 0.621。这是为了评估每张图像的模型性能而提供的。我们可以看到，LDA 和 NB 的分布都很紧凑且技巧娴熟，而 LR 在运行过程中可能会产生一些结果，而该方法表现不佳，从而拉低了分布。结果表明，也许最终的归一化、幂变换和标准化的组合会比默认的 LR（SMOTEENN，G 均值约为 0.873）取得更好的分数，尽管警告信息表明存在一些需要解决的问题。
2024-08-24 11:10:13
1518
原创 对机器学习中Fbeta指标的简介
默认的β值为1.0,与F度量值相同。较小的β值,如0.5,对精确度的影响更大,对回忆的影响更小,而较大的β值,如2.0,在计算评分时对精确度的影响更小,对回忆的影响更大。当精确性和回忆性都很重要,但需要对两者给予更多的关注时,例如当错误的否定比错误的肯定或相反更重要时,使用它是一个有用的指标。使精确度最大化,最大化,最小化,最小化,最小化,最小化,最大化,最大化,最大化,最大化,最大化,最大化,最大化.对F测量的直觉是,这两种测量方法都是重要的,只有很好的精确度和良好的回忆才能产生一个好的F测量方法。
2024-01-07 17:52:58
1704
S1-2022-Computer-Test-example R语言
2024-01-14
stable diffusion from scratch 从零开始学stable diffusion模型
2025-04-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人