个人技术分享

如何微调 Llama 3 进行序列分类？

节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学.针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。大型语言模型以其文本生成能力而闻名。在预训练期间，它们接受了数百万个标记的训练。这将有助于大型语言模型理解英文文本并在生成期间生成有意义的完整标记。自然语言处理中的另一个常见任务是序列分类任务。在此，我们将给定的序列分类为不同的类别。

Python学习从0开始——Kaggle机器学习004总结2

分类变量（Categorical Variables）或称为类别变量，是那些具有离散值（或类别）的变量，而不是连续值。这些变量通常用于描述对象的属性或特征，其值通常是预定义的、有限的集合。例如调查多久吃一次早餐，并提供四个选项:“从不”，“很少”，“大多数天”或“每天”，在这种情况下，数据是分类的，因为响应属于一组固定的类别。如果将这些变量直接插入Python中的大多数机器学习模型且不进行预处理，则会出现错误。在此将比较用于准备分类数据的三种方法。1)删除分类变量。

【机器学习】应用深度Q网络（DQN）在Atari Breakout游戏中实现智能体

DQN结合深度学习和强化学习，使用神经网络近似Q函数，解决复杂决策问题。通过经验回放和目标网络，DQN增强训练稳定性和效率，适用于高维状态空间。在Atari Breakout中，智能体通过DQN学习最优策略，涉及环境设置、网络模型创建、动作执行、经验存储、参数更新和目标网络同步。DQN的应用展示了其解决复杂问题的能力，为机器学习领域带来新突破。

基于深度学习的红外船舶检测识别分类完整实现数据集8000+张

目前，广泛采用了深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），用于红外船舶检测识别。这些模型通过大量标注的红外船舶图像数据进行训练，实现了高效的船舶检测和识别。研究人员也在不断探索如何结合多模态数据、改进网络结构和提高算法性能，以进一步提升红外船舶检测识别的准确性和效率。随着遥感技术的快速发展，包括无人机、卫星等，红外图像在船舶检测识别中的作用日益凸显。近年来，深度学习作为一种强大的图像处理技术，在红外船舶检测识别领域取得了显著进展。

【机器学习算法】支持向量机SVM算法概述

在这个例子中，我们使用了鸢尾花数据集（Iris dataset）作为示例。首先，我们将数据集划分为训练集和测试集，然后对特征进行标准化处理。接下来，我们使用线性核函数创建一个SVM模型，并使用训练集对其进行训练。最后，我们使用训练好的模型对测试集进行预测，并计算准确率。

自动驾驶#芯片-1

汽车是芯片应用场景之一，汽车芯片需要具备车规级。 车规级芯片对加工工艺要求不高，但对质量要求高。需要经过的认证过程，包括质量管理标准ISO/TS 16949、可靠性标准 AEC-Q100、功能安全标准ISO26262等。 汽车内不同用途的芯片要求也不同，美国制定的汽车电子标准把其分为5级。汽车各系统对芯片要求由高到低依次是：动力安 全系统 > 车身控制系统 > 行驶控制系统 > 通信系统 > 娱乐系统。自动驾驶芯片产品趋势：一体化。

旧物回收系统开发之旧物分类与识别技术的准确性与效率问题

这不仅可以减轻人工分类的负担，提高回收效率，还可以降低分类错误率，提高回收质量。同时，随着技术的不断发展和优化，我们相信未来旧物回收系统将在环保和资源再利用方面发挥更大的作用。在旧物回收系统的开发过程中，一个关键且具有挑战性的环节就是旧物的分类与识别。因此，如何提高旧物分类与识别的准确性与效率，成为了我们亟需解决的问题。传统的分类方法往往依赖于人工经验和判断，容易受到主观因素的影响，导致分类结果的不准确。通过训练深度学习模型，让机器学会自动识别和分类旧物，从而提高分类的准确性和效率。

旧物回收系统开发之旧物分类与识别技术的准确性与效率问题

这不仅可以减轻人工分类的负担，提高回收效率，还可以降低分类错误率，提高回收质量。同时，随着技术的不断发展和优化，我们相信未来旧物回收系统将在环保和资源再利用方面发挥更大的作用。在旧物回收系统的开发过程中，一个关键且具有挑战性的环节就是旧物的分类与识别。因此，如何提高旧物分类与识别的准确性与效率，成为了我们亟需解决的问题。传统的分类方法往往依赖于人工经验和判断，容易受到主观因素的影响，导致分类结果的不准确。通过训练深度学习模型，让机器学会自动识别和分类旧物，从而提高分类的准确性和效率。

生物神经网络 原理分析研读02

上述四篇文章，已经足够指出类脑计算的窘境，但值得注意的是造成其困境的根源本质还是来自于实现智能的复杂性。虽然当前深度学习发展感觉距离智能触手可及，但实际上却并没有这么乐观，更不用说AGI了。相对生物神经网络，深度学习实现智能的效率很低！一个典型的例子就是秀丽隐杆线虫，仅300个神经元便可完成一系列复杂的生物行为，其效率令人吃惊，更不必说人脑这种更高级的网络。相对生物神经网络，深度学习能量利用有效率很低！

Python 机器学习 基础 之 【实战案例】中药数据分析项目实战

Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。Python 机器学习是利用 Python 编程语言中的各种工具和库来实现机器学习算法和技术的过程。

机器学习与数据挖掘知识点总结（二）之常用的分类算法

数据挖掘是从大量数据中发现隐藏在其中的模式、关系和规律的过程。它利用统计学、机器学习和数据库技术等工具和方法来分析大规模数据集，以发现其中的信息，并将其转化为可用的知识或决策支持。数据挖掘常用于预测、分类、聚类和关联规则发现等任务。

机器学习笔记：label smoothing

在传统的分类任务中，我们通常使用硬标签（hard labels） 即如果一个样本属于某个类别，其对应的标签就是一个全0的向量，除了表示这个类别的位置为1。 例如，在一个3类分类任务中，某个样本的标签可能是 [0,1,0] Label Smoothing 的思想是将这些硬标签替换为软标签（soft labels）。 例如，对于上述的三类问题，我们可以将标签 [0,1,0]转换为 [0.1,0.8,0.1] 这样做的效果是降低模型对于标签的绝对信任度，鼓励模型学习到更加平滑的概率分布