<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[数据智能自动化]]></title><description><![CDATA[AI决策模型、在线持续学习]]></description><link>https://blog.csdn.net/cljcmf</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; cljcmf]]></copyright><item><title><![CDATA[LLM对极端贝叶斯问题的回答]]></title><link>https://blog.csdn.net/cljcmf/article/details/154994382</link><guid>https://blog.csdn.net/cljcmf/article/details/154994382</guid><author>cljcmf</author><pubDate>Tue, 18 Nov 2025 17:07:22 +0800</pubDate><description><![CDATA[本文挑战LLM的基础语言理解能力，主张应先检验其核心语义理解，而非过度依赖复杂推理测试。通过对比简单句子的翻译与理解，揭示当前模型在语境消歧、指代消解等基础任务上的脆弱性。强调智能本质是概率性容错，关键在于“知错”与“容错”的平衡。附图展示测试样例，呼吁以更本质的语言能力评估模型真实水平。]]></description><category></category></item><item><title><![CDATA[针对LLM大语言模型的理解能力的判决性检验]]></title><link>https://blog.csdn.net/cljcmf/article/details/145427824</link><guid>https://blog.csdn.net/cljcmf/article/details/145427824</guid><author>cljcmf</author><pubDate>Mon, 03 Feb 2025 10:03:24 +0800</pubDate><description><![CDATA[无论采用何种方式，如果LLM能实现与人类平齐的反概率理解能力，都将是一个巨大的进步。在此之前，LLM能做的一切都会被限定在贝叶斯式的概率对称性之内。]]></description><category></category></item><item><title><![CDATA[在线机器学习在水系统空调机组优化控制中的应用]]></title><link>https://blog.csdn.net/cljcmf/article/details/141828135</link><guid>https://blog.csdn.net/cljcmf/article/details/141828135</guid><author>cljcmf</author><pubDate>Tue, 03 Sep 2024 15:02:44 +0800</pubDate><description><![CDATA[在实际工程项目中发现很多都是优化问题，不是机器学习擅长的拟合问题。比如水系统中央空调机组运行参数的调节优化，如何使用机器学习能力解决复杂动态的优化控制问题？]]></description><category></category></item><item><title><![CDATA[持续在线学习是AI模型的必需能力]]></title><link>https://blog.csdn.net/cljcmf/article/details/140647285</link><guid>https://blog.csdn.net/cljcmf/article/details/140647285</guid><author>cljcmf</author><pubDate>Tue, 23 Jul 2024 22:07:24 +0800</pubDate><description><![CDATA[持续学习是智能化的基本特征，也就是说，真正的智能是要能持续在线学习的，而不是学习一个固定的模型拿来用，因为固定模型的智能都会随着外部环境的变化而退化。目前在很多适合的场景，特别是小模型，都可以从应用层面设计AI模型具备快速的持续在线学习能力，例如每隔一段时间，自动将新数据与旧数据一起重新训练模型。虽然也有一些为解决遗忘问题以集成树模型和神经网络为基础设计的增量训练，不过其新旧融合效果仍然不如全量训练，而大模型的全量训练或微调，都由于成本过高和时间过长，目前还无法从训练层面具备快速的持续学习能力。]]></description><category></category></item><item><title><![CDATA[mysql迁移到sqlite时SQL遇到的问题与解决]]></title><link>https://blog.csdn.net/cljcmf/article/details/128908377</link><guid>https://blog.csdn.net/cljcmf/article/details/128908377</guid><author>cljcmf</author><pubDate>Mon, 06 Feb 2023 21:40:41 +0800</pubDate><description><![CDATA[mysql与sqlite的兼容性相当好，大部分sql操作都能使用相同的SQL语句，主要是部分函数不兼容。]]></description><category></category></item><item><title><![CDATA[现有大语言模型(ChatGPT)的上下文理解能力还是假象吗？]]></title><link>https://blog.csdn.net/cljcmf/article/details/128780246</link><guid>https://blog.csdn.net/cljcmf/article/details/128780246</guid><author>cljcmf</author><pubDate>Sat, 28 Jan 2023 17:40:31 +0800</pubDate><description><![CDATA[按照目前LLM的技术路线，仅仅靠计算概率能否产生人类式理解还是未知，但我们知道人类式理解是能够反语言形式概率的，这可以作为LLM是否理解语言的评估标准，也可以作为图灵测试的评估标准。
反概率的一种表现形式是，人类具有质疑自己所相信的并将注意力重新聚焦到与第一印象不相符的部分的能力。]]></description><category></category></item><item><title><![CDATA[CNN卷积神经网络各层的参数和神经元数量的计算方法注释]]></title><link>https://blog.csdn.net/cljcmf/article/details/127947448</link><guid>https://blog.csdn.net/cljcmf/article/details/127947448</guid><author>cljcmf</author><pubDate>Sun, 20 Nov 2022 12:18:20 +0800</pubDate><description><![CDATA[CNN卷积神经网络各层的参数和神经元数量的计算方法注释（tensorflow手写数字识别案例）]]></description><category></category></item><item><title><![CDATA[DNN全连接神经网络BP反向传播算法代码注释]]></title><link>https://blog.csdn.net/cljcmf/article/details/127912916</link><guid>https://blog.csdn.net/cljcmf/article/details/127912916</guid><author>cljcmf</author><pubDate>Thu, 17 Nov 2022 22:21:43 +0800</pubDate><description><![CDATA[DNN全连接神经网络BP反向传播算法代码理解注释（权值是刻画数据的元数据，机器学习的目的就是以数据为依据求出刻画自身的元数据）]]></description><category></category></item><item><title><![CDATA[对数据库表导出为csv文件java实现]]></title><link>https://blog.csdn.net/cljcmf/article/details/126767472</link><guid>https://blog.csdn.net/cljcmf/article/details/126767472</guid><author>cljcmf</author><pubDate>Thu, 08 Sep 2022 16:59:05 +0800</pubDate><description><![CDATA[指定数据库表名tablename对其导出为csv文件]]></description><category></category></item><item><title><![CDATA[文本分类中的词语重要性以及stopwords与词典]]></title><link>https://blog.csdn.net/cljcmf/article/details/124807410</link><guid>https://blog.csdn.net/cljcmf/article/details/124807410</guid><author>cljcmf</author><pubDate>Mon, 16 May 2022 21:53:28 +0800</pubDate><description><![CDATA[基于朴素贝叶斯计算文本分类中的词语重要性排序以及专用stopwords与词典的发现方法]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯0概率参数的统计学习定制方法]]></title><link>https://blog.csdn.net/cljcmf/article/details/123503854</link><guid>https://blog.csdn.net/cljcmf/article/details/123503854</guid><author>cljcmf</author><pubDate>Tue, 15 Mar 2022 15:51:56 +0800</pubDate><description><![CDATA[在类样本比例特别不均衡数据上，自行设计与学习朴素贝叶斯的0概率参数，可以超过拉普拉斯平滑的效果。]]></description><category></category></item><item><title><![CDATA[图像图片结构相似度比对计算]]></title><link>https://blog.csdn.net/cljcmf/article/details/119961576</link><guid>https://blog.csdn.net/cljcmf/article/details/119961576</guid><author>cljcmf</author><pubDate>Fri, 27 Aug 2021 22:23:10 +0800</pubDate><description><![CDATA[无论使用任何方法，当提取特征时也是正在远离原始数据，而算法的核心却是越靠近原始数据越好！也就是说，提取特征作为计算输入会让计算输出的偏差增大。]]></description><category></category></item><item><title><![CDATA[曲线相似计算方法]]></title><link>https://blog.csdn.net/cljcmf/article/details/113689760</link><guid>https://blog.csdn.net/cljcmf/article/details/113689760</guid><author>cljcmf</author><pubDate>Fri, 05 Feb 2021 12:39:09 +0800</pubDate><description><![CDATA[曲线相似性计算，如果两条之间存在直接影响，更要关注特征的连续性，如果两条受同一条影响，更要关注特征的离散最大性。
设xn为A的波动数据序列，yn为B的波动数据序列，其中n=1…N。A与B的相关系数可以通过如下公式计算：


...]]></description><category></category></item></channel></rss>