数据知道的博客

生成式人工智能（Generative AI） 是一类能够自主创造新内容（如文本、图像、音频、视频、代码等）的AI技术，通过学习海量数据中的规律，模仿人类的创造力生成原创内容。其核心特点包括创造性、多模态和交互性，广泛应用于文本生成（如ChatGPT）、图像生成（如DALL·E）、音频/视频生成等领域。

​​简单易用​​：几行代码即可创建交互式界面​​多种输入/输出支持​​：文本、图像、音频、视频、数据表格等​​实时交互​​：用户输入后立即得到模型输出​​可嵌入​​：可集成到 Jupyter Notebook 或独立部署为 Web 应用​​共享功能​​：通过 Gradio 托管服务轻松分享你的应用主题定制BaseDefaultGlassMonochromeSoft自定义CSS# 你的组件。

Pytorch 官网Pytorch 官方备忘清单。

SnowNLP是一个 Python 中文自然语言处理（NLP）库，主要用于：• 中文分词• 情感分析• 文本分类• 关键词提取• 拼音转换特点• 纯 Python 实现（无需依赖其他 NLP 工具）• 适用于简单中文文本处理• 训练模型可自定义官方资源• GitHub:• 文档:text = "自然语言处理是人工智能的重要分支..." # 长文本print(s.summary(2)) # 返回最重要的2个句子训练情感分析模型准备标记好的数据集（格式：每行。

ChatGPT 是 OpenAI 于 2022 年发布的 AI 聊天机器人，基于 GPT-3.5、GPT-4 等模型，支持自动生成文本、问答、总结和编程等多种语言处理任务。

最小二乘法（Least Squares Method）是一种用于拟合数据的经典回归分析方法，广泛应用于线性回归、非线性回归和统计学中。其核心思想是通过最小化观测数据与模型预测值之间的误差平方和，找到最优的模型参数。最小二乘法的目标是找到一组模型参数，使得模型预测值与实际观测值之间的误差平方和最小。对于线性模型，最小二乘法可以用于估计回归系数。最小二乘法公式是一个数学的公式，在数学上称为曲线拟合，不仅仅包括线性回归方程，还包括矩阵的最小二乘法。a=y-bx。

KNN算法作为一种简单而有效的分类和回归方法，在许多实际问题中都有广泛的应用。其核心思想是通过测量数据点之间的距离来进行预测，具有易理解、无需训练过程等优点。然而，KNN也存在计算量大、对特征缩放敏感等缺点。在实际应用中，合理选择K值、进行特征预处理以及利用高效的实现库（如Scikit-learn）可以充分发挥KNN的优势。

RAG 技术通过结合检索和生成，显著提升了大模型的知识获取和生成能力。它在问答系统、文档生成和对话系统等场景中具有广泛应用。未来，随着检索算法和生成模型的不断改进，RAG 将在更多领域发挥重要作用。

大模型（Large Language Models, LLMs） 的发展是人工智能领域的重要里程碑。以下是按时间排序的大模型发展关键节点。

如果需要快速计算短文本的相似性，可以使用 Levenshtein 距离 或 Jaccard 相似度。如果需要处理长文本并考虑词频信息，可以使用 余弦相似度 或 TF-IDF 相似度。如果需要考虑语义信息，可以使用 Word2Vec 或 BERT。

对计算机视觉的第一印象：用计算机代替人类的眼睛，模仿人类视觉去完成各项任务。计算机视觉（Computer Vision）是一门研究如何使机器“看”的科学，也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。终极目标：计算机视觉成为机器认知世界的基础，终极目的是使得计算机能够像人一样“看懂世界”。计算机视觉技术相较于人类在图像处理方面上，实现超人的准确性；如：图片颜色、细节敏感度；在细微变化识别方面上，性能远胜于人类；如：医疗图像分析；在计算能力方面上，计算速度与精确性完胜人类；

JAX最初由谷歌大脑团队的 Matt Johnson、Roy Frostig、Dougal Maclaurin 和 Chris Leary 等人发起，借助 Autograd 的更新版本，并且结合了 XLA，可对 Python 程序与 NumPy 运算执行自动微分，支持循环、分支、递归、闭包函数求导，也可以求三阶导数；依赖于 XLA，JAX 可以在 GPU 和 TPU 上编译和运行 NumPy 程序；通过 grad，可以支持自动模式反向传播和正向传播，且二者可以任意组合成任何顺序。

1.机器学习有四种用途：分类、聚类、回归和降维。监督学习：分类和回归无监督学习：聚类和降维更严格一点，机器学习的目的只有三个：分类、聚类和回归，降维不过是达成目标的手段之一。2.分类和聚类都是对个体样本归类，看起来很相似，实则相去甚远——前者属于有监督的学习，后者属于无监督的学习。分类是基于经验的，而经验来自过往的数据，这意味着分类需要训练；聚类则是基于当前全部样本的特征，不依赖经验，自然也就无需训练。举个例子：让你从一堆水果中挑出苹果、橘子和香蕉，这是分类；让你将画在纸上的若干个图案分组，分组规