ChatGPT与大模型研究

本章内容包括： 区分判别模型和生成模型 将自编码器和变分自编码器应用于图 使用 PyTorch Geometric 构建图自编码器 过度压缩和图神经网络 链接预测和图生成 到目前为止，我们已经讨论了如

本章内容包括： 介绍 GraphSAGE 和图卷积网络（GCNs） 应用卷积图神经网络（GCNs）生成亚马逊产品捆绑 图卷积网络（GCNs）和 GraphSAGE 的关键参数和设置 更多的理论见解，包

本章内容： 探索图嵌入及其重要性 使用非GNN和GNN方法创建节点嵌入 在半监督问题上比较节点嵌入 深入探讨嵌入方法 图嵌入是图形机器学习中的重要工具。它们将图的复杂结构——无论是整个图、单个节点还是

本章内容包括： 定义图和图神经网络 理解为什么人们对图神经网络如此兴奋 识别何时使用图神经网络 从整体上看待如何用图神经网络解决问题 对于数据从业者来说，机器学习和数据科学领域最初吸引我们的地方在于能

当试图理解模型预测背后的原因时，局部每个样本的特征重要性可以是一个有价值的工具。这种方法使你能够将分析集中在输入数据的较小部分，从而更加有针对性地理解对模型输出贡献的关键特征。然而，通常仍然不清楚模型

你是否曾经想过，为什么一个人脸识别系统把一张肤色较深的人的照片标记为假阳性，而正确识别了肤色较浅的人的照片？或者为什么一辆自动驾驶汽车选择转弯导致了事故，而不是刹车避开碰撞？这些问题展示了在关键应用中

一个经过训练的深度学习模型，如果没有任何形式的验证，是不能部署到生产环境中的。在机器学习软件领域，生产环境指的是在实际运行环境中部署并操作机器学习模型，以便实际使用其预测结果。更广泛地说，模型评估在任

无监督学习处理没有标签的数据。更广泛地说，无监督学习旨在揭示数据中隐藏的内在模式。监督式机器学习项目中最严格且最昂贵的部分是所需的标签。在现实世界中，有大量没有标签的数据，这些数据中蕴藏着丰富的信息。

第2至第6章探讨了深度学习（DL）技术背后的核心工作原理，并包括了一些简化的技术实现，便于理解。理解不同神经网络（NN）如何工作的细节是很重要的。原因之一是，当任何神经网络模型出现问题时，你可以识别出

前几章介绍并回顾了不同的神经网络（NN），它们被设计用来处理不同类型的数据。设计这些网络需要知识和直觉，而这些只有通过消化多年的领域研究才能获得。这些网络的大部分是由专家和研究人员手工设计的。这包括发

不要将神经网络变换器与也被称为变压器的电气设备混淆，神经网络变换器是神经网络中的多面手变种。变换器能够处理和捕捉任何模态数据的模式，包括序列数据如文本数据和时间序列数据、图像数据、音频数据和视频数据。

自编码器是一种主要用于实现表示学习的模型。表示学习是一种深度学习任务，专注于生成紧凑且具有代表性的特征，用于表示任何单一数据样本，无论是图像、文本、音频、视频还是多模态数据。经过某种形式的表示学习后，

递归神经网络（RNN）是一种神经网络，专门用于处理序列数据，并能够识别数据的顺序。序列数据可以是时间序列数据，也可以是没有时间成分的数据，如文本数据。这类神经网络的应用建立在数据本身的性质上。对于时间

在一般社交媒体中，我们初步了解了 LLM 提示的强大功能，我们亲眼看到了不同提示技术对 LLM 输出结果的影响，特别是当这些技术巧妙结合时。构建优秀 LLM 应用程序的挑战，实际上在于如何有效地构建发

MLP 结构是为了接受一维数据设计的，不能直接处理二维或更高维的数据，除非进行预处理。一维数据也称为表格数据，通常包括分类数据、数值数据，可能还包括文本数据。二维数据或更高维数据是某种形式的图像数据。

在上一章中，我们详细了解了整个深度学习生命周期，并理解了如何从头到尾使一个深度学习项目成功。凭借这些知识，我们现在可以更深入地探讨深度学习模型的技术细节。在本章中，我们将深入探讨在行业中常用的深度学习

在本章中，我们将探索深度学习生命周期的复杂性。与机器学习生命周期具有相似特征，深度学习生命周期既是一个框架，也是一个方法论，它将使深度学习项目的创意能够取得巨大成功，或者在合适的时候被完全废弃。我们将

本章内容包括： 为LLM进行规划并在智能体和助手中实现 通过自定义操作使用OpenAI Assistants平台 在LLM上实现/测试通用规划器 在高级模型中使用反馈机制 在构建智能系统中进行规划、推

本章内容包括： 使用各种提示工程技术扩展大语言模型的功能 使用启用推理的大语言模型提示工程技术 采用评估提示缩小范围并识别未知问题的解决方案 在我们已经研究了定义智能体语义记忆组件的记忆与检索模式之后

本章内容包括： 理解系统化的提示工程并设置您的第一个提示流程 制作有效的个人资料/角色提示 评估个人资料：评分标准和基础 大型语言模型个人资料的基础评估 比较提示：获得完美的个人资料 在本章中，我们深