这些 NumPy 数组操作如同忍者般快速而无声，旨在将计算成本高昂的机器学习过程变得轻量化。
10 个简化特征工程的 Python 一行代码技巧
实用技巧，可根据现有数据构建新的有意义的特征，使数据分析过程和机器学习建模更有效。
语言模型中的词嵌入
自然语言处理 (NLP) 长期以来一直是计算机科学的一个基本领域。然而，随着词嵌入的引入，其发展轨迹发生了戏剧性的变化。在词嵌入之前，NLP 主要依赖于将单词视为离散标记的基于规则的方法。通过词嵌入，计算机获得了通过向量空间表示来理解语言的能力。在本文中，我们将[...]
SHAP 在基于树的模型中的温和介绍
了解如何使用 SHAP 将您的 XGBoost 模型从黑箱转变为透明、可解释的系统，揭示每个特征如何精确地影响每个预测。
使用Ollama量化模型进行应用开发
一份简洁的操作指南，旨在利用模型量化带来的优势，在受限环境下本地利用大型语言模型。
语言模型中的分词器 (Tokenizers)
分词是自然语言处理 (NLP) 中一个至关重要的预处理步骤，它将原始文本转换为语言模型可以处理的词元。现代语言模型使用复杂的分词算法来处理人类语言的复杂性。在本文中，我们将探讨现代 LLM 中常用的分词算法、它们的实现以及 [...]
10 款加速模型开发的 Python 库
以下是一些可加速模型开发的优秀库，并附有解释说明。
选择正确的特征工程策略：一种决策树方法
一份关于如何选择合适的特征工程策略的指南，这些策略可以使您的数据为进一步分析和机器学习建模获得更好的形状。
使用 NotebookLM 作为你的机器学习学习指南
在本文中，您将学习如何使用 NotebookLM 来支持您的机器学习之旅。
Transformer 模型中的编码器和解码器
Transformer 模型以其强大的架构彻底改变了自然语言处理 (NLP)。虽然最初的 Transformer 论文介绍了一个完整的编码器-解码器模型，但为了服务于不同的目的，出现了这种架构的变体。在本文中，我们将探讨不同类型的 Transformer 模型及其应用。让我们开始吧。概述本文分为 [...]