搜尋結果
2024年3月7日 · 一、資料清理. 二、如何切割文本. 三、如何搜尋. 四、LLM 生成品質. 快速掌握 LLM 應用全局觀. 有了「長上下文 LLM」（Long-Context LLM），還需要 RAG 嗎？ RAG（Retrieval-Augmented Generation，檢索增強生成）無疑是當今開發大型語言模型（LLM）產品時，不可或缺的技術。 由於可以確保 LLM 生成的真實性，在企業 AI 應用與搜尋場景相當受到重視。 為此，我也試著實作一個簡單的 RAG 應用。 多年累積下來，我的 Apple Notes 已經有 7000 多則筆記，搜尋愈來愈不準確，常在寫新筆記時想參考舊筆記，卻怎麼也找不到。
2023年11月8日 · LangChain的基本架構. LangChain由幾個核心組件構成，旨在簡化從數據檢索到信息生成的過程： 檢索系統 ：負責從廣泛的數據源中快速檢索相關信息。 這包括從結構化數據庫、非結構化文本到網絡資源的檢索。 處理器 ：對檢索到的數據進行預處理，如摘要、關鍵詞提取等，以便更有效地利用。 LLM集成 ：核心部分，LangChain整合了多種LLM，如GPT-3，提供靈活的API接口，使開發者可以輕鬆調用模型進行文本生成、問答等任務。
2024年2月26日 · RAG 概念是由自然語言處理科學家 Patrick Lewis 等學者在 2020 年發表的論文 2 中所提出。 這項技術簡而言之，就是在向 LLMs 提供用戶的提示詞（prompt）之前，會先從外部的資料庫「檢索」相關資料，再將這些相關資料連同原本的提示詞提供給 LLMs 參考並「生成」回覆。 IBM 的語言技術總監 Luis Lastras 用開書考試（open-book）跟闔書考試來類比 RAG 跟模型微調的差異：「使用 RAG 系統時，你是要求模型去檢索書的內容（資料庫），而不是光依憑（模型微調）的記憶來回答問題。 」 3. 而 RAG 所使用並非傳統的資料庫，而是所謂的向量資料庫（vector database）。
- 機器學習 Machine Learning
- 深度學習 Deep Learning
- 機器學習的應用
- 機器學習熱門工具
機器學習 Machine Learning （簡稱ML）是AI人工智慧的一門科學，主要研究電腦如何透過運用大量數據資料或過往的經驗，以演算法訓練、學習、改進以達到最佳化的效能，做出更好的分類、判斷和分析。 隨著硬體計算能力越來越強，數據搜集越來越多，機器學習持續技術的進步以及在商業上的廣泛應用，我們的生活會持續被運用數據學習的電腦給深刻影響著。 機器學習會運用不同類型的學習方式，根據資料的性質和希望獲得的結果，主要分為四類方法：監督式學習、非監督式學習、強化學習和半監督式學習。
深度學習 Deep Learning 是機器學習的分支，大多數的深度學習模型是基於多層神經網絡 Neural Network 模擬人腦的工作方式，演算法在數據中自行在每層挑選哪些特定的特徵是相關再進行分析，隨著數據量越大，深度學習能夠每次對其結果進行改進。 在從事機器學習時，一開始會從收集數據並清理整合的準備開始，接著將數據轉換成可以餵給模型的格式，並萃取出有意義的特徵，接著選擇適合你預期目標的模型後開始訓練。並用一些指標來評估模型並作參數的調整，接著Input更多的數據來測試模型，然後作出Output預測。 深度學習是機器學習的子集，機器學習是透過工程師在訓練數據的input與output給予一定程度的指導，讓機器從累積的訓練數據中學習後得出最佳解。深度學習則是以人腦的神經網絡...
圖像識別：Image Recongnition是最常見的 ML 應用，你在Facebook、Google上的照片能透過算法自動識別你的好友作為標記。或是用在醫療上判斷病人X光片是否有病變跡象。語音識別：Voice Recongnition可以識別語音將其轉換成文字，像是 Google Home、Siri這種語音助理服務，就是最常見的案例。預測分析：透過機器學習能將獲取到的數據分類，例如預測借款者的違約風險，判斷有哪些特質的人會是高風險者，有越多數據就能越準確。推薦系統：或是從收集到的數據判斷這名電商App的用戶現在想要買什麼東西，可以接受的價格是多少，推薦給這個客戶更符合他需求的產品。或是社群軟體更了解你的喜好與行為模式，推送給妳相關的廣告。或是交友軟體配對時，推給更適合你的菜。TensorFlow：TensorFlow 提供了一個有助於機器學習的JavaScript 庫。API 將幫助您構建和訓練模型。2023年1月2日 · 1. Web與移動應用開發. 2. 業務流程自動化. 3. 數據分析與報告. 4. 系統集成. 5. 原型設計與測試. 熱門 No-Code/Low-Code 平台和工具介紹. 1. OutSystems. 2. Microsoft Power Apps. 3. Bubble. 4. Appian. 5. Zapier. 6. Quick Base. 7. Mendix. 結論.
2024年2月17日 · 資料工程師工作內容是什麼？ 年薪百萬 Data Engineer 常見嗎？ 發佈日期: 2021 年 4 月 15 日 作者: Ashley-Hu. 內容目錄. 知己知彼：從面試官的視角出發. 免費點我下載數據技能路線指南. Data Engineer 的角色. 資料工程師薪水. 面試 Data Engineer 的 4 大重點領域. 1. 資料素養與基礎知識. 2. 資料處理能力. 3. 資料分析能力. 4. 雲端技術＆部署. Data Engineer 面試常見題庫. 工作內容與團隊角色. 資料素養與基礎知識. 資料處理能力. 資料分析能力. 雲端技術與部署. 結語.
一、找到自己工作/職涯的意義. 工作的意義會隨著人生階段而改變。 剛出社會的的新鮮人，目標可能是趕緊培養硬技能。 有了工作歷練後，學習管理、溝通等軟實力，挑選工作時也會「開始」加入家庭的考量。 Rosa 在管理顧問和投資銀行時期，每天非常忙碌，但樂此不疲。 「我曾經覺得年輕就是要燃燒生命，半夜 12 點回家叫奢侈，每天只睡兩三個小時是基本。 但這樣的燃燒精力，讓 Rosa 得健康一度亮紅燈。 醫生警告她若繼續過勞，恐有失聰的風險。 Rosa 看待工作的態度開始改變。 她後來選擇職涯時會考慮： 我能從這份工作 得到什麼價值. 我是否能 兼顧和家人的關係. 我能否從這份工作中 得到快樂. 對很多人來說，工作和快樂是兩條沒交集的平行線，如何在工作中得到快樂？
