TracyCoder的博客

接口文档在这个地址查看：https://www.xfyun.cn/doc/spark/HTTP%E8%B0%83%E7%94%A8%E6%96%87%E6%A1%A3.html#_1-%E6%8E%A5%E5%8F%A3%E8%AF%B4%E6%98%8E。本文以模型Spark Lite为例，重要信息（APIPassword、接口地址）在这个页面查看：https://console.xfyun.cn/services/cbm。相比非流式略微有一些不同，响应分成了多次，最后一个。

openai版本==1.6.1，本博客对应文件夹05。

openai版本==1.6.1，本博客对应文件夹04在前面的博客中介绍过了OpenAI一共有11个接口，其中completions接口常用于文本生成类任务。下面来对completions接口的参数、使用进行一些介绍。

openai版本==1.6.1，本博客对应文件夹03在这一篇博客中我将使用OpenAI的embeddings接口判断21条服装评价是否是好评。

OpenAI版本==1.6.1在上一篇博客中，我实现并运行了一个OpenAI的demo，我们可以发现，想要使用OpenAI完成一个需求仅需要两个步骤，第一步是 传入参数 配置并声明对象，第二步是 调用接口 实现需求。清楚这两点后，我们接着来看看源码。在openai包中，OpenAI类是核心类，它作为客户端库的入口点，提供了与OpenAI API进行交互的方法和属性。这个类封装了API的各种功能，使得开发者可以通过编写代码来使用OpenAI提供的各种服务，如文本生成、图像生成、模型微调等。下面我将针对Open

本博客对应01文件夹。

常用的可视化工具有三个：Matplotlib、Seaborn、Plotly。其中，Matplotlib是最基础的，其他二者的都是基于它进行的封装。Breast Cancer Wisconsin (Diagnostic) 数据集是一个广泛应用在乳腺癌诊断识别领域的医学数据资源，其可通过访问以下链接获取：https://archive.ics.uci.edu/dataset/17/breast+cancer+wisconsin+diagnostic。

PandasAI这个工具最突出的优点就是通过结合了Pandas和生成式LLMs，极大地为开发人员降低了工作量。可以看到，对于开发人员来说实现一个需求需要完成多个步骤。PandasAI 使用生成式 AI 模型来理解和解释自然语言查询，并将其转换为 python 代码和 SQL 查询。然后，它使用代码与数据进行交互，并将结果返回给用户。可以看到，

一句话总结的话，PandasAI就是一个结合了Pandas和AI的开源工具，更详细地说，PandasAI 是一款强大的Python库，它使得用户能够以自然语言轻松向各类数据源（如CSV、XLSX、PostgreSQL、MySQL、BigQuery、Databricks及Snowflake等）提出问题。同时，它能有效处理缺失值问题以净化数据集，并通过特征生成进一步提升数据质量。），已经有其他人遇到了和我一样的问题，并给该开源作者提了issue，但是目前这个bug还没有修复，因此需要修改一下demo的代码。

代码仓库在，本博客对应于02文件夹。

在AI项目实战中，“定义问题”环节是至关重要的第一步，它决定了整个项目的导向和后续实施策略。问题痛点在这个阶段，我们需要深入了解业务场景或实际需求，明确存在的问题或挑战。例如，在医疗领域，问题痛点可能是诊断效率低下，误诊率高；在电商领域，则可能是用户个性化推荐效果不佳，导致转化率低等。识别这些问题痛点，是为AI项目找准发力点。现状分析分析当前的问题是如何产生的，有哪些现有的解决方案以及它们的效果如何。比如，对于上述医疗领域的诊断问题，现状可能是依赖医生个人经验，且病例数据未得到有效利用；

scikit-learn是一个用于机器学习的Python库，提供了丰富的工具和算法，用于数据预处理、特征选择、模型建立、模型评估和模型部署等机器学习任务。scikit-learn提供了多种模型评估方法，可以帮助评估模型的性能和泛化能力。例如，可以使用交叉验证方法进行模型评估，使用不同的评估指标如准确率、精确率、召回率和F1值等进行模型性能评估。scikit-learn提供了多种经典的监督学习和无监督学习算法，包括线性回归、逻辑回归、决策树、支持向量机、随机森林、聚类、降维等。