首页
AI Coding
NEW
沸点
课程
直播
活动
AI刷题
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
会员
登录
注册
ChatGPT与大模型研究
数据智能老司机
创建于2023-05-22
订阅专栏
生成式AI探索和研究,场景落地。
等 130 人订阅
共460篇文章
创建于2023-05-22
订阅专栏
默认顺序
默认顺序
最早发布
最新发布
Python机器学习实战——机器学习与Python入门
人工智能(AI)超越人类知识的概念通常被称为“技术奇点”。人工智能研究社区以及其他领域的一些预测表明,奇点可能在未来30年内到来。无论其时间节点如何,有一点是明确的:人工智能的崛起凸显了分析能力和机器
使用 ChatGPT 构建网站——介绍
本章内容包括: 介绍 ChatGPT 理解借助 ChatGPT 可以创建哪些类型的网页 了解使用 ChatGPT 创建网页的局限性 学习如何通过 ChatGPT 创建属于自己的网页 英国科幻作家阿瑟·
Python现代时间序列预测——时间序列预测的特征工程
在上一章中,我们开始将机器学习(ML)作为解决时间序列预测问题的工具。我们还讨论了一些技术,如时间延迟嵌入和时间嵌入,这些技术将时间序列预测问题转化为机器学习范式中的经典回归问题。本章,我们将详细介绍
Python现代时间序列预测——时间序列预测作为回归问题
在本书的前一部分,我们对时间序列有了基本的理解,并且掌握了分析和可视化时间序列的工具和技术,甚至生成了我们的第一个基线预测。到目前为止,我们主要讨论了经典和统计技术。现在,让我们稍微接触一下现代机器学
Python现代时间序列预测——设置强基线预测
在上一章中,我们学习了一些可以用来理解时间序列数据、进行探索性数据分析(EDA)等的技术。但现在,让我们进入问题的核心——时间序列预测。理解数据集、查看模式、季节性等内容的目的是让预测工作变得更容易。
Python现代时间序列预测——分析和可视化时间序列数据
在上一章中,我们学习了从哪里获取时间序列数据集,以及如何使用 pandas 操作时间序列数据,处理缺失值等等。现在我们已经拥有了处理好的时间序列数据,是时候理解数据集了,数据科学家称之为探索性数据分析
Python现代时间序列预测——获取与处理时间序列数据
在上一章中,我们了解了什么是时间序列,并建立了一些标准的符号和术语体系。现在,让我们从理论转向实践。在本章中,我们将亲自动手开始处理数据。尽管我们已经提到时间序列数据无处不在,但我们尚未真正着手处理任
Python现代时间序列预测——时间序列简介
欢迎来到《Python现代时间序列预测》! 本书旨在为数据科学家或机器学习(ML)工程师提供提升时间序列分析技能的机会,帮助他们通过学习机器学习领域的新技术和先进方法来提高分析能力。时间序列分析在常见
大模型安全开发者手册——你的LLM会知道得太多吗?
2023年,一系列公司开始禁止或严格限制使用像ChatGPT这样的LLM服务,原因是担心可能泄露机密数据。这些公司包括三星、摩根大通、亚马逊、美国银行、花旗银行、德意志银行、富国银行和高盛等。这些金融
大模型安全开发者手册——提示词注入
第1章回顾了Tay的悲惨故事:她的生命在受到恶意黑客攻击后被迫终止。该案例是我们如今称之为“提示词注入”的第一个高调示例,但绝非最后一个。在现实世界中,绝大多数与LLM相关的安全漏洞都涉及某种形式的提
大模型安全开发者手册——架构与信任边界
与依赖预定义算法和静态数据库的传统Web应用不同,大型语言模型(LLM)通过庞大的神经网络生成动态且语境感知的响应。这种范式转变带来了独特的安全挑战,与传统Web应用中遇到的问题大相径庭。尽管研究人员
大模型安全开发者手册——LLM应用的OWASP十大漏洞
2023年春天,我开始研究LLM特有的安全漏洞。 当时,虽然关于人工智能安全的研究已经积累了相当大的研究量,但关于LLM(大型语言模型)的安全研究却非常零散。不过,我确实找到了一些研究论文和博客,涉及
大模型安全开发者手册——失控的聊天机器人
随着ChatGPT于2022年11月30日的发布,大型语言模型和生成式AI迅速成为公众关注的焦点。在发布后仅五天内,这款产品就在社交媒体上迅速传播,吸引了第一批百万用户。到了次年1月,ChatGPT的
LLMOps 必备指南——回顾 LLMOps 组件
在本章中,我们将深入探讨LLMOps的组成部分,以及每个部分如何提高底层LLM(大语言模型)的效率、质量和性能。本章作为一个高层次的概述,后续章节将对此进行深入探讨。我们的重点将放在以下几个方面及其影
LLMOps 必备指南——介绍 LLM 和 LLMOps
在本章中,我们将回顾自然语言处理(NLP)的历史演变以及大语言模型(LLM)发展的里程碑,带着历史视角和面向未来的眼光,探讨大语言模型操作(LLMOps)。LLMOps 是指为大语言模型在生产环境中的
LLM工程师手册——基于偏好对齐的微调
监督微调(SFT)在使 LLM 执行特定任务方面起到了重要作用。然而,SFT 在捕捉人类偏好的细微差别和模型可能遇到的长尾交互方面存在局限性。为了克服这一限制,开发了更先进的技术来使 AI 系统与人类
LLM工程师手册——推理流水线部署
部署大语言模型 (LLM) Twin 应用的推理流水线是机器学习 (ML) 应用生命周期中的关键阶段。这是为业务创造最大价值的地方,使模型可供终端用户访问。然而,成功部署 AI 模型可能具有挑战性,因
LLM工程师手册——MLOps 和 LLMOps
在本书中,我们已经使用了机器学习操作(MLOps)的组件和原则,例如模型注册表,用于共享和版本化我们微调的大型语言模型(LLMs),逻辑特征存储用于我们的微调和 RAG 数据,以及协调器将我们所有的
LLM工程师手册——RAG 推理管道
回顾第4章,我们实现了检索增强生成(RAG)特征管道,用于填充向量数据库(DB)。在特征管道中,我们从数据仓库中收集数据,进行清理、分块和嵌入文档,最终将它们加载到向量数据库中。因此,到目前为止,向量
LLM工程师手册——推理优化
部署LLMs具有挑战性,因为它们对计算和内存的需求非常高。高效运行这些模型需要使用专用加速器,如GPU或TPU,以并行化操作并提高吞吐量。尽管一些任务(如文档生成)可以在夜间批量处理,但其他任务(如代
下一页