机器学习项目工程实践 了解机器学习项目的工程化实践，包括数据管理、模型管理、系统架构等。从第一性原理出发，理解为什么需要工程化，以及如何设计可维护、可扩展的机器学习系统。 目录 数据管理 模型管理 特征一致性保证 系统架构设计 并发控制与锁机制 错误处理与恢复 日志与监控 测试与验证 最佳实践总结 1. 数据管理 1.1 数据组织...

特征工程入门——从原始数据到特征矩阵 深入理解特征工程的重要性，掌握使用 Featuretools 进行自动特征生成的方法。从第一性原理出发，理解为什么需要特征工程，以及各种特征方法为什么有效。 目录 什么是特征工程？ 特征工程的常见方法 Featuretools 自动特征生成 Featuretools 的工作机制 特征工程实战示例 特征工程的最佳实践...

特征工程常用函数详解 深入理解特征工程中常用的函数（统计特征、类别特征、时间特征等），掌握每个函数的作用、含义和使用场景。从第一性原理出发，理解为什么需要这些函数，以及它们如何帮助我们提取有用信息。 目录 为什么需要特征函数？ 统计特征函数 类别特征函数 时间特征函数 特征函数的组合使用 如何选择合适的特征函数？ 特征函数的实际应用 1. ...

MLOps与机器学习生命周期管理 深入理解MLOps（机器学习运维）的概念和实践，掌握机器学习生命周期管理的完整流程。从第一性原理出发，理解为什么需要MLOps，以及如何构建可维护、可扩展的机器学习系统。了解从实验到生产的完整流程，掌握模型部署、监控和维护的最佳实践。 目录 什么是MLOps？ 为什么需要MLOps？ 机器学习生命周期管理 MLOps工具与实践...

机器学习中的数学原理基础 深入理解机器学习中常用的数学概念（方差、标准差、协方差、相关性等），从第一性原理出发，理解这些概念的本质、作用和计算方法。理解数学是机器学习的基础，掌握这些数学原理能够帮助我们更好地理解机器学习算法。 目录 为什么需要数学原理？ 描述性统计量 分布形状度量 变量关系度量 距离度量 概率基础 优化基础 线性代数基础 ...

机器学习任务类型、应用场景与技术选型 系统梳理机器学习的任务类型（分类、回归、聚类等）、典型应用场景（表格、文本、图像、语音），各场景下的主流技术路线，以及传统机器学习与深度学习的区别与选型依据。从第一性原理出发，理解”做什么任务、用什么数据、选什么技术”。 目录 机器学习有哪些任务类型？ 任务类型与损失、评估 应用场景与主流技术 传统机器学习与深度学习的区别...

机器学习项目技术选型与实践概览 从第一性原理出发，帮助初学者理解机器学习项目的整体架构、技术选型思路和完整流程。 目录 引言：什么是机器学习项目 机器学习的基础原理 项目架构概览 核心技术栈介绍 技术选型思路 项目完整流程 初学者学习路径建议 1. 引言：什么是机器学习项目 1.1 从第一性原理理解机器学习 在深入技术细节之前，我们需要...

RAG知识库常用策略和配置 本文梳理 RAG 知识库搭建中的常用策略与配置，涵盖问题路由、检索方式、分块设计、重排取舍以及大模型参数调优，便于按场景选型与落地调优。 目录 一、策略类 1.1 问题路由 + 知识库子库划分 1.2 检索策略的使用 1.3 是否开启问题优化 1.4 知识库分块 1.5 ...

大模型提示词技巧-基于场景的自检清单和缺失反问 概述 在复杂业务场景中，大模型需要处理信息不完整的情况。通过引入自检清单机制和缺失信息处理流程，可以显著提升模型输出的准确性和可靠性。本文档介绍如何设计和使用这些技巧。 提示词功能流程 本提示词方案的核心功能流程如下： 用户提问 ↓ [场景识别] 简单场景与复杂场景自动区分 ↓ ├─→ 简单场景 → [直接回答...

RAG知识库多跳查询方案 1. 方案解决的问题 在传统的RAG（检索增强生成）知识库问答场景中，当用户提问涉及文档附件内容时，存在以下问题： 附件内容检索不精准：附件文档通常包含多个章节，在知识库中作为单个文档存储时，检索容易带出无关章节内容，影响答案准确性 附件引用信息缺失：大模型回答中虽然可能提到”详见附件X”，但无法直接展示附件具体内容，用户体验不完整 多跳查询效率...