KevinFufu

本篇文章总结了 LangChain 和 Open AI 的 api 在开发中的应用，有助于零基础的同学快速入门。

机器学习是人工智能的基础知识，也是 LangChain 以及大语言模型的基础，在本系列文章中，笔者将会结合笔者所在大学人工智能实验室的课程，带大家回归基础，并且用 Pytorch 框架过一遍经典代码。

第六章 非线性机器学习与集成方法 一、决策树（重点考！！！） 让我们以打网球为例子，究竟什么时候我们才会出门打球呢？ 如果大家对数据结构的“树” 结构很清晰的话，我们将会发现判定出门打球的情况可以使用

在本篇文章中，我们将彻底深入分类问题，处理逻辑回归和多分类逻辑回归两个问题。理解训练模型的三大集合：训练集、交叉验证集、测试集。同时，我们将会引入欠拟合和过拟合的概念，培养开发者的工程素养。

分类问题是自古以来计算机学界十分关心的问题，本篇文章我们将会介绍基础的 SVM（支持向量机）的底层原理，从最简单的二分分类入手，带大家回顾分类问题的发展。

工具运用：笔者将会使用 conda, pycharm, qwen, langchain 等工具教大家如何以最快的速度在本地搭建一个简单的语言模型工具，从而提升开发效率。

第一节：问答系统的搭建与 IO 事实上，所有的以 LLM 为基础的软件都需要经历这样的过程，我们需要让我们的 LLM 程序接收到数据源，数据源不仅包括了代码和以SQL为代表的结构化数据，而且需要让处理

大语言模型是使用深度学习等技术来理解和生成人类语言的人工智能模型。 ​ 大语言模型可以类比为巨大的预测机器。本系列文章将会由浅入深地分析MarsCode AI的底层原理。

MarsCode AI刷题功能核心在于四个关键的底层逻辑：输出解析、链式调用、记忆和代理。输出解析确保用户提交的代码能够得到精确的反馈，链式调用、记忆代理允许代码在不同阶段进行连续处理，提高了执行效率