本文重点介绍Fastchat是什么，各个组件的作用和关系，如何使用Fastchat框架部署大模型。 Fastchat是什么？ FastChat是一个用于训练、部署和评估大模型...
IP属地：北京
-
大模型实战--FastChat一行代码实现部署和各个组件详解 -
大模型实战--Llama3.1大模型部署及启动Web UI、OpenAI API实操
一、背景 随着人工智能技术的飞速发展，大模型（Large Language Models, LLMs）已成为自然语言处理领域的核心工具。这些模型以其强大的语言理解和生成能力，...
-
@枉凝眉233 周志华的 机器学习 入门必读
信息论2（自信息、信息熵、联合熵、条件熵、交叉熵、相对熵（KL散度）、互信息、最大互信息系数）
1、前言 在研究机器学习一些算法原理时，经常会出现各种有关信息论的概念（自信息、互信息等），此前已分享过一篇文章，但是相对简单了一些，本次将再进一步分析各种相关概念。 2...
-
信息论2（自信息、信息熵、联合熵、条件熵、交叉熵、相对熵（KL散度）、互信息、最大互信息系数）1、前言 在研究机器学习一些算法原理时，经常会出现各种有关信息论的概念（自信息、互信息等），此前已分享过一篇文章，但是相对简单了一些，本次将再进一步分析各种相关概念。 2...
-
机器学习-通俗易懂推导XGBoost公式1、前言 xgboost是在gbdt基础上进行了升级，所以xgboost也是通过每次拟合上次的残差（上次实际值与目标值之差），从而每次生成一棵树（CART回归树），最...
-
机器学习-线性回归、广义线性模型（逻辑回归）1、前言 线性回归在整个机器学习算法中相对比较简单，但是在处理实际问题中，使用频率还是比较高。本文将对线性回归做简单介绍，最后利用通俗的讲解来说明逻辑回归于线性回归的关系...
-
机器学习类别不平衡解决方法
1、前言 对于分类任务，经常会遇到类别不平衡问题（不通类别训练样本数目差距较大），本文将对该问题给出常见的解决方法。 2、常用解决方法 2.1 欠采样（下采样） 欠采...
-
常见统计量及关系（三）-标准化与z分数
1、前言 统计相关问题系列第三篇，上一篇点这里 2、常见名词 标准取值：将一组数据中每个数减去均值之后除以标准差，从而转换为z分数。以标准差为单位表示的原始值与均值差...
-
常见统计量及关系（二）-方差、标准差
1、前言 统计相关问题系列第二篇，上一篇点这里 2、常见名词 极差（range）：一组数据中最大值与最小值之差。 四分位差（IQR）：一组数据中第75百分位数与第25...
-
常见统计量及关系（一）-统计量、参数等
1、前言 在机器学习中经常会出现各种各样统计学中的名词，对此，此系列文章将对一些常见统计量及相互关系作简单介绍。本文为第一篇。 2、常见名词 统计量：统计量是指通过对...
-
-
机器学习-模型评估与选择1、前言 对于相同的数据及问题，可以有不同的算法模型解决，那么如何评价不通算法的优劣，以及最终应该选择哪一种？针对这些问题，本文将做简单介绍。 2、常见术语 过拟合：...
-
决策树（ID3、C4.5、CART）1、前言 决策树是目前机器学习算法中使用较多的一种算法，即使在各大竞赛中（kaggle、天池等），使用较多的集成学习（GBDT、XGBoost、LightGBM、ca...
-
信息论（熵&信息增益&增益率&gini指数）
1、信息熵（Ent(D)） 用来度量一组样本集合的纯度（信息熵越小，纯度越高）。假设在集合D中第k类的占比为，则D的信息熵为： 2、信息增益（Gain(D,a)） ...
-
-
k近邻算法（k-NN）相关知识点
1、前言 由于k近邻算法相对比较简单，故本文不会展开介绍该算法，只是对一些知识点进行整理。 2、相关知识点 2.1 最近邻算法 当k近邻算法中k取1时，则为最...
-
如果你是程序员，或者有一颗喜欢写程序的心，喜欢分享技术干货、项目经验、程序员日常囧事等等，欢迎投稿《程序员》专题。 专题主编：小彤花园 http://www.jianshu.com/users/4a4eb4feee62/ 【程序员】专题拒稿指北：http://www.jianshu.com/p/7c8b33b5f63b 投稿须知： 1.收录相关技术文章，但不限于技术，也可以是项目经验类的文章和程序员日常。 2.文章內不得有任何推广信息。包括但不限于公众号、微博、微信，更不得在通过投稿后再修改文章加入推广信息。你可以将这些推广以及个人信息放在个人主页介绍里。 3.字数极少，段落混乱，大段代码没有放到代码框的文章不收录 4.不相关的内容不收录，请确认文章内容和本专题相关 目前针对优质作者及爱好者，开设了官方程序员微信群，希望加入请发简信给主编小彤花园索取个人微信，主编会将你加入到【程序员】微信群，分享内容，收获知识。添加微信时备注昵称。
