摘要：
LLM 驱动的时序分析 原文：towardsdatascience.com/llm-powered-time-series-analysis/ 处理时间序列数据总是带来它自己的一套谜题。每个数据科学家最终都会遇到那个墙，传统方法开始感觉……有限。 但如果你能通过构建、调整和验证高级预测模型来超越这些 阅读全文
posted @ 2026-03-27 09:56
布客飞龙II
阅读(7)
评论(0)
推荐(0)
摘要：
LLM 评估、并行计算、需求预测以及其他动手数据科学方法 原文：towardsdatascience.com/llm-evaluation-parallel-computing-demand-forecasting-and-other-hands-on-data-science-approaches 阅读全文
posted @ 2026-03-27 09:56
布客飞龙II
阅读(8)
评论(0)
推荐(0)
摘要：
LLM 评估笔记 原文：towardsdatascience.com/notes-on-llm-evaluation/ 在人工智能工程领域，有人可能会认为，我们的大部分工作与传统软件开发更相似，而不是机器学习或数据科学，考虑到我们通常使用现成的基座模型而不是自己训练。即便如此，我仍然认为，构建基于 阅读全文
posted @ 2026-03-27 09:56
布客飞龙II
阅读(11)
评论(0)
推荐(0)
摘要：
LLM 监控和可观察性：Langfuse 实战 原文链接 让我们从一个例子开始：你已经构建了一个复杂的 LLM 应用程序，该程序能够响应用户关于特定领域的查询。你花费了数天时间设置完整的管道，从完善你的提示到添加上下文检索、链、工具，最后展示输出。然而，在部署后，你意识到应用程序的响应似乎没有达到预 阅读全文
posted @ 2026-03-27 09:56
布客飞龙II
阅读(82)
评论(0)
推荐(0)
摘要：
LLM 的工作原理：强化学习，RLHF，DeepSeek R1，OpenAI o1，AlphaGo 原文：towardsdatascience.com/how-llms-work-reinforcement-learning-rlhf-deepseek-r1-openai-o1-alphago/ 欢 阅读全文
posted @ 2026-03-27 09:56
布客飞龙II
阅读(53)
评论(0)
推荐(0)
摘要：
LLM 代理所有类型的回顾 towardsdatascience.com/recap-of-all-types-of-llm-agents/ 简介 每个成功的 AI 代理的核心都隐藏着一个基本技能：提示（或“提示工程”）。这是通过精心设计输入文本来指导 LLM 执行任务的方法。 提示工程是第一代文本 阅读全文
posted @ 2026-03-27 09:56
布客飞龙II
阅读(2)
评论(0)
推荐(0)
摘要：
LLMs 隐藏的安全风险 原文：https://towardsdatascience.com/the-hidden-security-risks-of-llms/ 当公司急忙将大型语言模型（LLMs）集成到客户服务代理、内部副驾驶和代码生成助手时，出现了一个盲点：安全。虽然我们关注 AI 的持续技术 阅读全文
posted @ 2026-03-27 09:56
布客飞龙II
阅读(11)
评论(0)
推荐(0)
摘要：
LLMs 的工作原理：从预训练到后训练，神经网络，幻觉和推理 原文：towardsdatascience.com/how-llms-work-pre-training-to-post-training-neural-networks-hallucinations-and-inference/ 随着对 阅读全文
posted @ 2026-03-27 09:56
布客飞龙II
阅读(9)
评论(0)
推荐(0)
浙公网安备 33010602011771号