如果重来一次我会这样入门AI

2024-11-29

ChatGPT常见的One-shot，few-shot是什么鬼

One-shot（单样本学习）和Few-shot（少样本学习）是让大语言模型快速适应新任务的关键技术。简单来说，就是在不进行微调（Fine-tuning）的情况下，通过在提示词中提供少量示例来引导模型理解任务。One-shot是给1个示例，Few-shot是给2-5个示例。例如你想让模型用特定格式输出，只需在提示词中给2-3个正确格式的例子，模型就会自动模仿这种格式。本视频通俗讲解这些概念的原理、使用场景和最佳实践。

2024-11-29

n-grams：大语言模型的起源

N-grams（N元语法模型）是大语言模型发展的”始祖”技术，理解它是理解现代LLM演进的重要基础。N-grams是一种基于统计的语言模型，它通过计算文本中连续的N个词出现的概率来预测下一个词。例如，2-gram（二元模型）会统计”我→爱”这个组合出现的频率。虽然N-grams模型简单、资源消耗大，但它奠定了现代语言模型的核心思想——根据上文预测下文。从N-grams到基于Transformer的GPT模型，本视频带你追溯语言模型的发展历程。

2024-11-29

小白学AI之为什么激活函数不能用线性函数?

激活函数是神经网络中不可或缺的”灵魂组件”，但为什么不能使用最简单的线性函数呢？核心原因在于：如果所有激活函数都是线性的，无论神经网络有多少层、多少神经元，整个网络最终都等价于一个单层的线性模型！因为线性函数的复合仍然是线性函数，这导致网络失去了最重要的能力——学习复杂非线性关系的能力。本视频深入浅出地解释了这个关键概念，对比了线性激活和非线性激活（如ReLU、Sigmoid、Tanh）的本质区别，帮你理解为什么非线性激活函数是神经网络拥有”智能”的根本原因。

2024-11-29

机器学习和深度学习有什么区别？

机器学习和深度学习是AI领域两个紧密相关但又有本质区别的概念。简单来说，深度学习是机器学习的一个子集，就像”轿车是汽车的一种”——所有的深度学习都属于机器学习，但并非所有机器学习都是深度学习。二者的核心区别在于：传统机器学习需要人工设计特征（比如手动定义”尺寸>10cm且颜色为红色”这样的规则），而深度学习通过多层神经网络自动从原始数据中提取特征和模式。深度学习尤其擅长处理图像、音频、文本等非结构化数据，但需要更多的数据和算力支持。本视频用通俗的语言和实例，帮你理清这两个AI基础概念的关系和区别。

2024-11-29

神经网络入门之监督学习 vs 非监督学习

监督学习和非监督学习是机器学习的两大基本范式，理解它们的区别是入门AI的第一步。简单来说：监督学习使用带标签的数据进行训练——就像老师拿着标准答案教学生，输入图片并告诉模型”这是猫”、”这是狗”，模型学习输入到输出的映射关系。而非监督学习则使用没有标签的数据，让模型自己发现数据中的结构和模式——就像让学生自己分类一堆没有标签的动物图片，模型可能会根据颜色、大小等特征自动聚类。监督学习适用于分类、回归等任务；非监督学习适用于聚类、降维、异常检测等场景。本视频用生动实例帮你快速理解这两种学习方式的本质区别和各自应用场景。

2024-11-29

试下用最简单的例子解析前向传播和反向传播

前向传播（Forward Propagation）和反向传播（Backpropagation）是神经网络训练的两个核心过程。前向传播简单来说就是数据从输入层经过隐藏层最终到达输出层的计算过程——就像工厂流水线，原材料从入口进入，经过各道工序加工，最终产出成品。计算出结果后，将模型预测值与真实值进行比较得到误差，然后反向传播从输出层出发，逆向逐层计算每个参数对总误差的”贡献度”，并据此调整参数以减小误差。本视频用一个超级简单的实例，手把手带你理解这两个过程的具体计算步骤，让你真正明白神经网络是如何”学习”的。