【机器学习】QLoRA：基于PEFT亲手微调你的第一个AI大模型
本文首先对量化和微调的原理进行剖析，接着以Qwen2-7B为例，基于QLoRA、PEFT一步一步带着大家微调自己的大模型，本文参考全网peft+qlora微调教程，一步一排坑，让大家在网络环境不允许的情况下，也能丝滑的开启大模型微调之旅。
AI训练，为什么需要GPU？
随着人工智能热潮，GPU成为了AI大模型训练平台的基石，决定了算力能力。为什么GPU能力压CPU，成为炙手可热的主角呢？首先我们要先了解一下GPU的分类。提到分类，就得提及到芯片。半导体芯片分为和。其中，数字芯片的市场规模占比较大，达到70%左右。。由上图可以看到，。现在特别火爆的AI，用到的所谓“
人工智能核心技术：机器学习总览
💡机器学习作为人工智能的核心，与计算机视觉、自然语言处理、语音处理和知识图谱密切关联💡【机器学习】是实现人工智能的核心方法，专门研究计算机如何模拟/实现生物体的学习行为，获取新的知识技能，利用经验来改善特定算法的性能。深度学习是机器学习算法的一种，深度学习算法具有多层神经网络结构，其在图像识别、
Rust AI：机器学习Candle 和Burn框架的简单对比
Candle和Burn代表了Rust生态系统在机器学习和人工智能方面令人兴奋的发展。Candle为深度学习任务提供了简单性和高性能，而Burn则提供了更全面的ML堆栈和更大的灵活性。CandleBurn。
通过元学习优化增益模型的性能：基础到高级应用总结
因果推断帮助我们理解不同变量间的因果关系，而增益模型则专注于评估干预措施对个体的影响，从而优化策略和行动。
自动驾驶人工智能
自动驾驶技术是一个复杂的领域，它依赖于算法和过滤器来解释传感器数据、做出决策和控制车辆。在本节中，我们将探讨自动驾驶技术中使用的不同类型的算法和过滤器，并用通俗易懂的语言来解释它们。
【Educoder】— 机器学习（PCA第二关）
PCA的算法流程。
机器学习、深度学习、AI工程师、人工智能面试热点问题（一）
混淆矩阵(Confusion matrix)计算过程混淆矩阵作为分类模型结果的更加细致精确的可视化展示，有时也被称为误差矩阵或者可能性表格，通常混淆矩阵会应用于二分类问题中，对此首先有如下关键定义:Actual condition:样本真实标签;·Predicated condition:模型预测标
【AI】人工智能（AI）的崛起与未来展望
本文将探讨AI的基本概念、发展历程、应用场景，并通过一些Python代码示例来展示AI的实际应用，最后对AI的未来进行展望。人机协同将成为未来AI发展的重要方向。随着技术的不断进步和应用场景的不断拓展，AI将在未来发挥更加重要的作用，为人类创造更加美好的未来。AI的发展经历了符号主义、连接主义和深度
【python】在【机器学习】与【数据挖掘】中的应用：从基础到【AI大模型】
Python在数据挖掘和机器学习中的应用，涵盖了数据预处理、特征工程、监督学习、非监督学习和深度学习。
人工智能、机器学习、深度学习：技术革命的深度解析
人工智能是一个广泛的概念，它涵盖了使机器执行通常需要人类智能的任务的能力。这包括但不限于学习、推理、解决问题、知识理解、语言识别、视觉感知、运动和操控。机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习并做出决策或预测，而不需要进行明确的编程。深度学习是机器学习的一个子领域，它使用多层神经
如何应对缺失值带来的分布变化？探索填充缺失值的最佳插补算法
本文将探讨了缺失值插补的不同方法，并比较了它们在复原数据真实分布方面的效果，处理插补是一个不确定性的问题，尤其是在样本量较小或数据复杂性高时的挑战，应选择能够适应数据分布变化并准确插补缺失值的方法。
【机器学习】机器学习引领AI：重塑人类社会的新纪元
随着科技的飞速发展，机器学习作为人工智能（AI）的核心驱动力，正在以前所未有的速度重塑人类社会的各个方面。从医疗诊断、金融决策，到智能家居、自动驾驶，AI已经不再是遥不可及的未来科技，而是成为了我们日常生活中不可或缺的一部分
数据并非都是正态分布：三种常见的统计分布及其应用
本文我们研究三种常见分布以及我们如何使用它们：正态分布、泊松分布和卡方分布。
高级人工智能之群体智能：蚁群算法
蚁群算法（Ant Colony Optimization, ACO）是一种模拟自然界蚂蚁觅食行为的优化算法。它通常用于解决路径优化问题，如旅行商问题（TSP）。蚁群算法的基本步骤初始化：设置蚂蚁数量、信息素重要程度、启发因子重要程度、信息素的挥发速率和信息素的初始量。构建解：每只蚂蚁根据概率选择下一
【机器学习】GPT-4中的机器学习如何塑造人类与AI的新对话
随着人工智能技术的飞速发展，自然语言处理（NLP）领域迎来了新的里程碑——GPT-4。GPT-4以其巨大的参数量、卓越的语言生成能力和多模态处理能力，成为当前NLP领域最热门的模型之一。本文将详细探讨机器学习在GPT-4中的应。
【AI大模型】Transformers大模型库（四）：AutoTokenizer
本文对使用transformers的AutoTokenizer进行介绍，他最大的特点是允许开发者通过一个统一的接口来加载任何预训练模型对应的分词器（tokenizer），而无需直接指定分词器的精确类型。这意味着，当知道模型的名称时，可以使用AutoTokenizer自动获取与该模型匹配的分词器。
人工智能课程设计毕业设计——基于机器学习的贷款违约预测
另外LightGBM通过使用基于直方图的决策树算法，只保存特征离散化之后的值，代替XGBoost使用exact算法中使用的预排序算法（预排序算法既要保存原始特征的值，也要保存这个值所处的顺序索引），减少了内存的使用，并加速的模型的训练速度。Adaboost是一种迭代算法，其核心思想是针对同一个训练集
登天文学顶刊MNRAS！中科院上海天文台利用AI发现107例中性碳吸收线，探测精度达99.8%
其中，包括碳、氧、硅等元素的星际尘埃也随着爆发的扩散在星际介质中富集，不但为新恒星和行星系统的形成提供了重要的物质基础，也在星际介质的冷却和凝聚过程中起着关键作用。然后，由两个 12Å 的窗口连接在一起形成一个 100 元素长的一维通量数组，便能够提供对局部光谱特性和信噪的清晰视图，同时不包括吸收线
一切模型皆可联邦化：高斯朴素贝叶斯代码示例
一般情况下我们对联邦学习的理解都是大模型和深度学习模型才可以进行联邦学习，其实基本上只要包含参数的机器学习方法都可以使用联邦学习的方法保证数据隐私。
