人工智能

前言 很多人第一次把大模型接进业务时，都会有一种兴奋感。 效果真好，模型真聪明，很多原来要写一大堆代码的逻辑，现在一句 prompt 就能搞定。 但很快，另一个现实问题就来了。 接口越来越慢，账单越来

前言 在上一篇文章里面，我们已经做了一件很重要的事情： 把规则检索这条最基础的链路跑通了。 但只要你真的写过一点 RAG 项目，就会很快遇到一个现实问题： 真实世界的检索，几乎不可能只靠规则，有很多关

从 0 到 1 写一个“可解释”的 RAG 检索器：规则检索 V1 → V2（含可运行代码） 上篇文章我们学习到了基本的Rag原理，用本地的ollama实现了一个非常简易版本的rag流程。 这一篇我们

前言： 最近我准备做AI知识库的小项目，用来整合自己学习的内容，也是验证自己所学习的AI知识，打算把这些整理成一个系列文章。 这篇是第一篇，不讲原理，也不讲概念， 只做一件事： 如果你之前从来没碰过

根据已有的数据集，计算出每个数据项和未知数据项的距离，再取前k个最相似的数据，以此来确定未知数据项的分类。（通常k不大于20） 我们可以得知KNN是比较简单的一种分类回归方法（回归的部分之后在说，这篇主要是讲分类），根据已经确认的输入和输出来对新的输入进行分类，属于监督学习。 …

导语：之前有做过一些简单的跟机器学习相关的一些小玩意，比如OCR识别，车牌识别的东西，不过没有系统话的学习过机器学习，最近打算系统的看看学一学。这个是看吴恩达的机器学习的学习笔记的记录。学习地址什么是

1.模型描述：1.1监督学习 Supervised Learning：given the right answer for each example in the data.对于每个数据集中的样例都有

引语： 这一节基本上就是大学中学的线性代数的内容的复习。 1.矩阵和向量 矩阵定义：矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合，最早来自于方程组的系数及常数所构成的方阵。 matrix

1.多特征 2.多元特征下降法 3.多元特征下降法-特征缩放 有多个变量来求全局最优解的时候，如果变量的取值范围非常不一样，会使得等高线图变得扁平，比如图中的房屋尺寸和房间数量，一个是0-2000另外

1.低维到高维的映射 根据上一节的结论，我们主要要做的就是解决线性可分的问题，线性可分的问题最后会被转换为一个凸函数的问题就认为是有解的。 但是并不是每个问题都是线性可分的。遇到线性不可分的问题，我们

前言： 支持向量机这一节是看的中国mooc网上浙大胡浩基的课，感觉还是中文讲课的比较清晰易懂， 再结合看了周志华的《机器学习》。看完视频再看瓜书才明白上面那些公式是怎么来的，可能对于初学者来说还是 母