APPLICATION
DeepSeek-R1+ML混合欺诈检测
本文介绍如何将传统ML与DeepSeek-R1推理引擎结合以提高欺诈检测效率。
PANDAS
LIBRARY
3个最有效的表格提取SDK
在本文中，我们将研究用于表格数据提取的各种工具和技术，并将指导你完成有效实施这些解决方案所需的 Python 代码。
LIBRARY
MarkItDown深入研究
MarkItDown 是 Microsoft 开发的 Python 包，旨在将各种文件格式转换为 Markdown。
TOOL
MLflow大模型部署指南
在本博客中，我们将介绍如何使用自定义 Python 函数 (pyfunc) 使用 MLflow 部署大型语言模型 (LLM)，该函数允许我们处理具有特殊要求的模型。
APPLICATION
用LLM快速构建领域本体
本文探讨了大型语言模型 (LLM) 如何利用自然语言处理来自动化本体创建，从而使知识图谱生成更易于访问和准确。
APPLICATION
基于LLM的文档提取和分析
在本文中，我将通过一个实际示例来解释如何使用 LLM 自动从半结构化和非结构化文档中提取所需信息，然后分析这些信息。
MODEL-ZOO
GPT-4o mini微调医疗援助模型
在着手创建由生成式 AI 驱动的聊天解决方案时，效率应该是我们的指导方针。从利用 SaaS 解决方案到从头开始构建模型，选项多种多样。在本文中，我将介绍基于 Azure OpenAI 服务的模型微调，重点是在定制与效率之间取得平衡。 注意：本文中显示的输入数据包含与医学相关的一般问题和答案，目的是开发一个包含一些医学领域信息的模型。由于我不是医学专业人士，我仅将这些数据用于本文所讨论的数据科学工作，而不是建议或表明任何医疗状况或疾病的定义、预防、诊断或治疗。 优先考虑效率意味着并不总是需要选择最大、最强大的模型。定制通常使我们能够使用更轻量的模型版本实现卓越的性能。出于这个原因，我选择了 GPT-4o mini，它是著名的 GPT-4o 模型的较小版本。 在下图中，我们可以在两个阶段使用它：提示工程和 AOAI 模型 FT。 1、为什么微调是一个明智的选择？ 你可能已经熟悉了少样本学习的概念，其中机器学习模型在极少量的标记示例上进行训练，从而提高效率。微调是另一种（尽管是独立的）优先考虑效率的方法，并且与少样本学习相比具有几个优势： * 质量结果：
APPLICATION
实战数据可视化AI代理
我是否可以通过简单地提供数据框和自然语言指令来教语言模型构建我喜欢的可视化？这个项目是对这个想法进行实验的结果。