ADK.wang 统一知识工程 · 权威专著深度引证

ADK.wang AI & 软件技术百科

全库汇聚全球 22,000+ 核心技术词条,深度引证上千本行业权威学术专著,涵盖大模型原理、云原生、架构设计与工程效能。

22,077

全量学术技术词条

9 大

核心专业领域体系

10,000+

权威专著深度引证

100%

原书精粹与工业对齐

人工智能与大模型
📚 1 本专著

学校 (CSE)

当您的孩子被确诊为注意力缺陷多动症之后,您需要写信索取一份由特殊教育学校(CSE)组织下发的评估,然后将这封信寄到特殊教育学校负责学生工作的领导那里,尽管在不同的学校,从事这方面工作者的职位可能不一样,但是联邦教育机构要求学校里必须有相关组织或者个人,组织...

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

学校个人教育计划 (IEP)

在愤怒控制方面有问题的注意力缺陷多动症儿童需要在他们的学校个人教育计划(IEP)中拥有相应的应对方案。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

宇宙微波背景探测器 (COBE)

年宇宙微波背景探测器(COBE)卫星测出天空中宇宙微波背景温度的十万分之一的微小波动。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

宇宙背景探测器 (COBE)

欧洲空间局最初规划普朗克计划是在1992年,当时美国国家航空航天局(NASA)的宇宙背景探测器(COBE)刚刚开始传回数据,揭露了宇宙微波背景辐射中的各向异性——宇宙的残余温度(-270.42℃,只比绝对零度高2.73℃)存在细微但明确的波动。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

宏块量化值 (MQUANT)

DCcoef = DCQ × DCStepSize (8· 8) DCStepSize 值从宏块量化值(MQUANT)中得出如下: 如果MQUANT 等于1 或2,DCStepSize = 2 × MQUAN。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

宏块量化器 (MQUANT)

宏块量化器(MQUANT)可基于宏块进行修改。 那些位于 帧边缘的宏块以另一个量化步长(ALTPQUANT)来量化,而其他所有的宏块以 PQUANT 进行量化。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

定义代理

Agent

.定义代理(Agent)调用工具(Tool) 两个Tool(工具)分别介绍完毕,接着介绍Agent部分,Agent用 于 决 定 是 否 调 用 以 及 何 时 调 用 两 个 Tool , 通 过 函 数 getaftersale_response来包装...

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

定义工作空间

Workspace

首次运行 Eclipse 将弹出图 10-2 所示的提示窗口,定义工作空间(Workspace),即软件项目要 存放的位置。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

定义智能体

Agent

在人工智能领域,定义智能体(Agent)来表示具备行为能力的系统,包括机器人、无人车等。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

定义策略

Policy

将初始语言模型的微调任务建模为强化学习问题,因此需要定义策略(Policy)、动作空间(Action Space)、观察空间(Observation Space)和打分函数(Scoring Function)等基本要素。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

定义超参

Hyper Parameters

我们创建一个新的 Python 文件 seq2seqtrainer.py ,引入相关依赖库并定义超参( Hyper Parameters ),其中, latentdim 代表 LSTM 的输出向量的空间大小,因为有 256 个字符,因此被定义为 256 :

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

实体类型

Entity Type

因此,渊亭医疗决策辅助系统使用的技术首先利用实体类型 (Entity Type)的层次结构(主要为实体类型之间的父子关系)解决 Zero-Shot 的问题。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

实现通用人工智能 (AGI)

年11月,OpenAI这家著名AI研究机构的联合创始人伊利亚·苏茨科弗(Ilya Sutskever)提出:“我们应严肃认真地考虑近期实现通用人工智能(AGI)的可能性。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

客户安盛 (AXA)

来自保险业的客户安盛(AXA)也在使用与谷歌相同的基础设施,利用TensorFlow 来开发可预测保费高昂的交通事故的系统。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

客户端模块

Cinder-Agent

例如,虽然存储节点只需要运行Cinder客户端模块(Cinder-Agent),但是作为Cinder中心节点的Cinder API需要运行在OpenStack控制器节点上。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

宽客 (QUANT)

看看这位宽客( QUANT)的鼻祖,是如何成功地揭开了量化交易的奥秘,解决了市场随机波动之谜,开启了一个金融投资的崭新时代。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

宽度模型

Wide Model

和宽度模型(Wide Model)对照。 29. 密集特征(Dense Feature) 大多数取值为非零的一种特征,通常用取浮点值的张量(Tensor)表示。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

密钥协议

Diffie-Hellman key agreement

也可以使用Diffie-Hellman密钥协议(Diffie-Hellman key agreement)和新的随机(临时)密钥来派生新的密钥材料。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

密集检索

Dense Retrieval

 多向量检索(Multi-vector Retrieval)通过使用多个向量来表示一段文  本,作为对密集检索(Dense Retrieval)的一种扩展,如 ColBERT 能 够更全面地捕捉文本的多维信息。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

密集特征

Dense Feature

密集特征(Dense Feature) 大多数取值为非零的一种特征,通常用取浮点值的张量(Tensor)表示。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

射到同一个嵌入空间

Embedding Space

均质化是指以相同或相似的评价标准将所有数据映 射到同一个嵌入空间(Embedding Space),使得模型无法捕捉到输入数据的更多 维度的全面属性与特征,当训练中的数据所携带的显著特征与当前评价标准不匹 配,甚至完全偏离时,模型就无法较好地实现数据内插,...

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

小批量梯度下降算法

Mini-batch gradient descent

sgd 方法缺点很明显,梯度震荡,所以就有了后来大家常用的小批量梯度下降算法 (Mini-batch gradient descent)。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

小样本学习

Few-Shot Learning

若类别数远远超过类别样本数(如类别为10000,每个类别却只有10张图像),那么使用通常的方法效果可能并不显著,这时或许使用小样本学习(Few-Shot Learning)对数据集做进一步增强会是比较不错的选择。

难度: ★★★ 阅读: 5分钟
查看引证 →
人工智能与大模型
📚 1 本专著

少样本思维链

Few-Shot CoT

少样本思维链(Few-Shot CoT) 在论文“Chain of Thought Prompting Elicits Reasoning in Large Language Models”中第一次提出了思维链(CoT),主要应用于少样本(Few-Shot...

难度: ★★★ 阅读: 5分钟
查看引证 →
显示第 42 / 64 页,共 1516 条记录