本文探讨了七个突出的趋势以及它们如何已经改变着我们周围的世界。
作者归档 | Iván Palomares Carrascosa
微调 LLM 时遇到的 5 个问题及解决方案
微调大型语言模型时可能出现的问题以及如何成功解决。
PyTorch Lightning 使用 Optuna 进行超参数优化
本文展示了如何联合使用 PyTorch Lightning 和 Optuna 来指导深度学习模型的超参数优化过程。
Python 中用于机器学习建模的 10 个单行代码
十个有效的 Python 单行代码简介，一旦熟悉，将能提升和简化您的机器学习模型构建过程。
用 Python 中的 llama.cpp 构建一个 RAG 流水线
Llama.cpp 是一种更轻量、更便携的方法，用于在大型语言模型上构建推理流水线。本文将向您介绍如何运行它。
构建 RAG 系统的 5 条经验教训
本文列出了从构建 RAG 系统中学习到的、在 AI 开发者社区中普遍讨论的五个关键经验教训。
理解 RAG 第十部分：生产环境中的 RAG 管道
本文重点讨论生产环境中 RAG 管道的关键特征，并区分三种类型的管道。
理解 RAG 第九部分：微调 LLMs 以用于 RAG
在 RAG 系统中如何以及何时微调语言模型，以确保随着时间的推移，能够生成连贯、事实准确且相关的响应。
如何使用 Optuna 进行 Scikit-learn 超参数优化
在本文中，我们将展示如何将两者结合起来进行超参数优化任务。
5 Reasons Why Traditional Machine Learning is Alive and Well in the Age of LLMs
大型语言模型 (LLM) 是否正在取代最传统的机器学习解决方案？以下是原因。