分类目录归档：深度学习
专题：AI时代的智能研究 “Research on Intelligence in the Age of AI”
核心问题1：是否应该推动更多的理论工作，比较深度学习模型与人类智能的理论
核心问题2：神经科学是否能够帮助人工智能，以及人工智能是否能够帮助神经科学
讨论参与者：
本节课程将介绍如何使用LangChain和自有数据进行对话
LangChain的组件包括：
课程内容：
LangChain是用于构建大模型应用程序的开源框架
直接使用OpenAI的示例：
import os
import openai
#以构建客服助手为例，使用不同的 Prompt 链式调用LLM搭建复杂应用
LLM 可以通过使用监督学习来构建，通过不断预测下一个词来学习
LLM 的输出是token，代表常见的字符序列
《ChatGPT Prompt Engineering for Developers》
本课程包含大量提示工程的场景示例，笔记中仅作简单记录
LLM 的两种类型：
Why it helps to combine models
模型的偏差与方差：
当单模型间的差异性（不是指性能差异）越大时，融合模型的效果越好
为什么模型融合会降低方差：
本节课介绍了处理模型过拟合的常见方法（正则化项、惩罚因子），并展示了基于贝叶斯解读的一种实践有效的惩罚因子调参方法。
Reminder：Overfitting
训练数据中不仅蕴含着正确的规律/知识值
A brief overview of “Hessian-Free” optimization
The maximum error reduc