搜尋結果
2024年2月20日 · 資料前處理泛指的是在分析演算法之前，對資料進行處理跟調整，避免模型因為資料產生的瑕疵而誤判。 綜合上述幾個問題，我們可以把資料前處理分成三個面向： 資料清理與型態調整. 資料探索與視覺化. 特徵工程. Data Engineer 工作內容是什麼？ 從面試重點了解資料工程師. 立即領取. 免費點我下載數據技能路線指南. 資料清理：遺失值或錯誤資料處理. 清理資料的目的是將原始資料中的「缺失值」或「錯誤值」轉成適合模型可以存取的資料。 資料清理是資料前處理環節中必須的工作之一，如果有未清理的資料會導致模型無法順利運行。 那什麼是「適合模型的資料」呢？
2024年2月1日 · 第1步：安裝Python和Git. 首先，您需要安裝Python 3.10.6，這是運行Stable Diffusion所必需的。 您可以從 Python官方網站 下載安裝。 若安裝過程中遇到困難，可以參考我們的 Python安裝教程 。 在命令提示符中輸入 python 並執行，以確認Python版本正確安裝。 若未顯示Python 3.10.6，請卸載電腦中的其他Python版本。 接著，安裝Git，這是一個代碼庫管理系統，用於版本控制和協作。 您可以通過 Git安裝教程 進行安裝，並可參考我們的 Git入門課程 以深入了解Git。 第2步：創建GitHub和Hugging Face帳戶. GitHub是一個代碼托管服務，用於軟件開發的版本控制和協作。
2024年1月10日 · 一、是否解決了真正的問題？ 二、AI 是解決問題最好的辦法嗎？ 三、結果不合預期怎麼辦？ 四、如何管理 Prompt？ 五、如何處理資料隱私權與安全性？ 六、如何定價？ 剩下的就不是 AI 的問題了. 大型語言模型（LLM）與圖像生成 AI，在數個月內快速發展。 如今我們可以簡單透過 API 串接，就做出一個 AI 應用。 這在幾年前難以想像，也讓具備程式技能的開發者可以發揮所長，快速打造符合自己需求的小專案。 不過，要從實驗性質的 side project 發展成一項產品給更多人使用，還有許多要考量的部分。 如果你正在考慮讓一個 AI side project 產品化，本文提出了六個思考點，幫助你判斷與理清思路。
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。
2024年2月26日 · 在我 前一篇分享 OpenAI 研究員 Andrej Karpathy 介紹 LLMs 的文章 曾介紹到，通常 LLMs 的訓練會經過兩個階段：產出基本模型（base model）、曠日廢時且需要投入大量資源的「預訓練」階段，以及後續頻繁進行的「模型微調（fine-tuning）」階段。 在上述的訓練過程中，若希望 LLMs 理解特定領域的知識，就得從模型微調的階段下手，將特定領域的專業知識輸入基本模型進行訓練。 但模型的微調不僅得仰賴硬體的運算，且無法很快地將公司或組織的新資料納入模型之中，這都會對客製化 LLMs 的落地應用形成限制。 而 RAG 就能夠突破上述的限制。 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。
2024年1月24日 · 本文將概覽 Hugging Face 對開發者的重要性，並在最後討論 Hugging Face 的商業模式與擁抱開放、傳遞知識的文化。 一家估值 45 億美元公司，主打開放原始碼 AI 模型平台，為什麼獲得大量 AI 應用開發者的熱愛與重視？ 對開發者的重要性：多、省時、簡便且標準化. Hugging Face 被稱為「AI 界的 Github」，最大亮點是開源模型集散地，整合大量的模型、資料集。 然而 Hugging Face 不單純是把模型放在網站上讓人下載，更重要的是提供標準化的函式庫、API 與網頁介面，並建立起開源社群。 其主要服務包含： 模型與函式庫「Transformers Library」：標準化的函式庫，可透過統一的 API 完成下載、串接、微調模型。
2023年7月25日 · 選擇關注點：第一步就是最後一步. 關注你的位移 (A—>B) 為什麼要使用 A → B 結構？ 刻意選擇 Growth mindset 視角. 培養你的後設認知. 不要浪費有效經驗. 狀態負面時去休息；狀態正面時做 reflection. 小結. Reference. 體驗用 ORID 強化全端網頁開發學習效果，3 分鐘小測驗找到你的學習起點. Reflection 與做中學. OBJECTIVE ：具體的事實，做了哪些事情、看到與觀察哪些事情. REFLECTIVE ：感受與反應，在當下直接的感受、反應與印象深刻的地方. INTERPRETIVE ：事後詮釋與分析，試著解釋與分析事實與自己的感受. DECISIONAL ：訂定目標與下一步，找出下一步可應用、執行與改善的地方.
