机器学习

对AI说“请”，是多此一举还是未雨绸缪？

作者
对AI说“请”，是多此一举还是未雨绸缪？
你是否曾在与 ChatGPT、Gemini 或其他AI助手互动时，下意识地输入了“请”、“谢谢你”或“麻烦了”？ 当敲下这些词语时，你或许会停顿一下，甚至感到一丝荒谬。对方只是一个由代码和数据组成的程序，它没有情感，也无法体会到你的善意。那么，我们为什么要对一个没有生命的工具保持礼貌？ 这个问题看似微不足道，却巧妙地揭示了我们与人工智能这种新兴技术之间复杂而矛盾的关系。关于是否需要对AI礼貌，人们主要分为两个阵营：坚定的“工具论”者和谨慎的“未来论”者。 观点一：AI只是工具，礼貌纯属多余 “工具论”者的逻辑非常直接：AI是一个为了特定目的被创造出来的工具，就像你手中的锤子或电脑里的计算器。 ...

高效学习的通用策略：从记忆到应用的系统性指南

作者
高效学习的通用策略：从记忆到应用的系统性指南
1. 诊断先行：你为什么“学不好”？ 在学习中，我们最常犯的错误，就是用“我数学不行”、“我没语言天赋”或“我就是学不会”这类模糊的标签来定义自己的困境。这种思维方式毫无帮助，如同医生不问症状就开药。真正高效的学习，始于精准的自我诊断——将学习动作精确对应到具体的问题上。 布鲁姆目标教学法（Bloom's Taxonomy） 正是这样一套精准的诊断与学习框架。它将认知过程从低到高分为不同层次。对任何领域的学习者而言，掌握前三个核心层次—— 记忆、理解、应用 ——是打好坚实基础、实现能力跃迁的关键。 下面，我们将结合这三个层次与相应的高效学习方法，为你提供一套适用于任何学科的、清晰可操作的学习方...

【令爷】董宇辉教学方法总结：布鲁姆目标教学法

作者
【令爷】董宇辉教学方法总结：布鲁姆目标教学法
1. 布鲁姆目标教学法简介 布鲁姆目标教学法 （Bloom's Taxonomy）是一种系统化的教学方法，由教育家 Benjamin Bloom 于上世纪五六十年代提出。 核心思想：将教学动作精准对应到学生的具体问题上，避免使用“英语差”等模糊描述，就像医生需要具体症状才能诊断一样。 该方法后被其他教育家改进，但其核心框架至今广泛应用于教育设计，尤其适用于可观测、可总结的教学场景。 2. 布鲁姆目标教学法的三个核心层次 布鲁姆最初提出了多个层次，但对家长而言，前三层最为实用和关键。 2.1. 第一层：记忆（Knowledge/Remember） 定义 ：掌握基础事实信息，即“记住了”的知...

机器学习算法核心教程与Python实践

作者
机器学习算法核心教程与Python实践
算法选择快速参考 在深入了解每个算法的细节之前，您可以根据您的任务类型和应用场景，使用下表进行快速参考： 任务类型 算法 典型应用场景 分类 (Classification) 逻辑回归 (Logistic Regression) 二分类问题、广告点击率预测、信用评分 K-近邻 (KNN) 图像识别、推荐系统（基于用户的相似性） 支持向量机 (SVM) 高维数据分类、文本分类、人脸识别 决策树 (Decision Tree) 规则清晰的分类问题、客户流失预测 随机森林 (Random Forest) 高精度分类、特征重要性评估、疾病预测 梯度提升系列 ...

提示词工程框架：从Google示例库总结的最佳实践

作者
提示词工程框架：从Google示例库总结的最佳实践
Google生成式 AI 提示示例 https://cloud.google.com/vertex-ai/generative-ai/docs/prompt-gallery?hl=zh-cn 基于对Google Cloud Vertex AI提示词库的全面分析，我们为您提炼并汇总了一个结构化的提示词工程框架。该框架旨在帮助您构建清晰、高效且能充分发挥大型语言模型能力的提示，无论是进行简单的分类任务，还是复杂的创意生成，都可以套用此框架进行扩展。 核心理念：从“对话”到“指令” 撰写提示词的核心，是将模糊的对话式请求，转变为清晰、结构化的计算机指令。模型本身没有主观意图，它的所有输出都源于您提...

【美团】可信实验白皮书系列03：随机对照实验

作者
【美团】可信实验白皮书系列03：随机对照实验
可信实验白皮书系列03：随机对照实验 2025年06月05日 作者: 履约数据&外卖数据 文章链接 18881字 38分钟阅读 本文系《可信实验白皮书》系列的第三篇文章，第一篇文章我们介绍了为什么要写AB实验白皮书，第二篇文章讲解了AB实验的理论原理及其背后的统计学基础。本篇我们将重点介绍随机对照实验相关的一些基础知识，以及提高实验功效的一些常见方法。 备注 ：本篇排版为图文混合排版，如果想获得更好的阅读体验，建议访问「美团技术团队」知乎官方账号《可信实验白皮书系列03：随机对照实验》。 在美团到家业务场景中，经常会碰到随机分流的实验场景，比如全城AOI（Area of Inte...

两种学科的故事：对统计学与大数据相互作用的详尽分析

作者
两种学科的故事：对统计学与大数据相互作用的详尽分析
引言 21世纪的黎明以数据的洪流为标志，将“大数据”一词推入了商业、技术和科学领域的词典核心。这个看似源于硅谷和软件的新范式，常常被认为是在挑战甚至取代拥有数百年历史、以严谨著称的统计学。 本报告旨在论证，这种观点是一种简单化的误读。统计学与大数据并非竞争对手，而是两个截然不同但又紧密相连的智力与技术潮流。统计学为推断和方法论的严谨性提供了理论基石，而大数据则以前所未有的规模提供了原始材料和计算能力。它们之间复杂的相互作用——一种分歧、张力与最终融合的动态过程——共同铸就了现代的、跨学科的数据科学领域。 本报告将首先追溯这两个学科各自独立的历史谱系，然后剖析它们在核心哲学和方法论上的差异，从数...

C-MTEB 中文嵌入模型大详解

作者
C-MTEB 中文嵌入模型大详解
文本嵌入（Text Embedding）是将文本（如单词、句子或段落）转换为密集、低维、连续的向量表示的一项关键技术。这些向量能够捕捉文本的语义信息，是构建现代AI应用（如语义搜索、问答系统、文本聚类、检索增强生成 RAG 等）的基石。 C-MTEB (Chinese Massive Text Embedding Benchmark) 是目前业界公认的最全面、最权威的中文文本嵌入模型评测基准。它涵盖了分类、聚类、排序、检索、语义相似度（STS）等多种任务和30多个数据集，能够全方位地评估模型在不同场景下的综合性能。 以下是根据 C-MTEB 排行榜整理的当前表现最顶尖的十一大中文嵌入模型，我将...

扣子：意图识别节点

作者
扣子：意图识别节点
意图识别节点 意图识别节点能够让智能体识别用户输入的意图，并将不同的意图流转至工作流不同的分支处理，提高用户体验，增强智能体的落地效果。​ 节点说明​ 意图识别（Intent Recognition）指的是让智能体理解用户通过自然语言表达的意图或目的。意图识别是智能助手的典型能力，例如用户在对话中输入“我想查看今天的 AI 新闻”，其中“查看新闻”为用户意图，也就是用户希望智能体执行的操作。扣子工作流支持意图识别节点对用户意图进行归类，无需再通过大模型节点配合选择器节点实现意图识别，使工作流运行更加高效。​ 意图识别节点可用于以下场景：​ 客户服务：识别用户问题的类型，并转交各类知识库处理，...

[案例]和府捞面：借AI“把脉”评论，实现口碑与效益双丰收

作者
[案例]和府捞面：借AI“把脉”评论，实现口碑与效益双丰收
扣子具备低代码开发能力，这使得没有编程基础的业务人员也能轻松搭建智能体。和府捞面借助扣子打造了“顾客点评分析”智能体，该智能体可以对用户评论数据进行情感分析，帮助门店高效洞察点评数据，为菜品、服务等方面的策略优化提供有力支持。 和府捞面品牌介绍 和府餐饮成立于2012年，是一家以面食为特色的本土餐饮连锁品牌。其秉持着“让世界的每一条街道都有中国味道”的品牌愿景，运用零售化理念和工具对服务业进行改造，还自称为“长寿乡食材搬运工”，通过选用高品质食材，将中式养生的美食理念传递给更多消费者。 原有评论分析模式的困境 在引入扣子之前，和府捞面采用人工方式收集和分析用户评论数据。具体流程为：使用和府自研...

令爷思考：人类迷失在AI时代

作者
令爷思考：人类迷失在AI时代
奇点临近：AI驱动的人类文明跃迁与多维演化 人类的进化史是一部不断加速的历史。从生物学角度看，人类出现的历史有600万年；现代智人已有约20万年历史；而文明的出现仅有短短5000年。这种加速度背后有着深刻的逻辑：每一次关键技术的突破都为人类创造了更多的剩余时间和精力，从而推动下一轮更快的进步。 农业革命是第一个关键拐点。当人类学会驯化动植物，我们不再需要整日奔波于采集和狩猎，能够积累大量剩余产品，这释放了时间和精力去发展技术、建立复杂社会结构、创造文化艺术。正是这种"时间剩余"催生了早期文明的繁荣。 工业革命是第二个加速点。机械化生产极大提高了效率，使人类进一步摆脱体力劳动...

50个最佳机器学习公共数据集

作者
50个最佳机器学习公共数据集
外国自媒体mlmemoirs根据github、福布斯、CMU官网等信息，整理了一张50个最佳机器学习公共数据集的榜单，为大家分享一下~ 外国自媒体mlmemoirs根据github、福布斯、CMU官网等信息，整理了一张50个最佳机器学习公共数据集的榜单，为大家分享一下~ 提前说下须知： 一、寻找数据集的意义 根据CMU的说法，寻找一个好用的数据集需要注意一下几点： 数据集不混乱，否则要花费大量时间来清理数据。 数据集不应包含太多行或列，否则会难以使用。 数据越干净越好，清理大型数据集可能非常耗时。 应该预设一个有趣的问题，而这个问题又可以用数据来回答。 二、去哪里找数据集 Kaggle：爱竞...

统计学基础之摘要统计

作者
统计学基础之摘要统计 来源： https://www.biaodianfu.com 什么是摘要统计？ 摘要统计是一种用来描述、概括和呈现数据集特征的统计学工具。它们通常用于数据分析的初步阶段，可以帮助研究者理解数据的基本趋势和模式，但不用于从样本推断总体的结论。摘要统计主要包括两类指标：集中趋势的度量和离散程度的度量。 集中趋势的度量： 平均值（Mean）：数据集合中所有数值的总和除以数值的数量。 中位数（Median）：将数据集合按数值大小排列后处于中间位置的数值。 众数（Mode）：在数据集合中出现次数最多的数值。 离散程度的度量： 极差（Range）：数据集中最大值与最小值的...

探索性数据分析详解

作者
探索性数据分析详解
探索性数据分析详解 来源： https://www.biaodianfu.com 什么是探索性数据分析？ 探索性数据分析（Exploratory Data Analysis，简称EDA） 是指对已有的数据（特别是调查或观察得来的原始数据）在尽量少的先验假定下进行探索，通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。 探索性数据分析（EDA）与传统统计分析（Classical Analysis）的区别： 传统的统计分析方法通常是先假设样本服从某种分布，然后把数据套入假设模型再做分析。但由于多数数据并不能满足假设的分布，因此，传统统计分析结果常常不能让人...

机器学习/数据分析之缺失值处理

作者
机器学习/数据分析之缺失值处理
机器学习/数据分析之缺失值处理 来源： https://www.biaodianfu.com 在机器学习数据预处理阶段经常需要对数据进行缺失值处理。关于缺失值的处理并没有想象中的那么简单。以下为一些经验分享。 数据缺失类型 完全随机丢失（MCAR，Missing Completely at Random） ：某个变量是否缺失与它自身的值无关，也与其他任何变量的值无关。例如，由于测量设备出故障导致某些值缺失。 随机丢失（MAR，Missing at Random） ： 在控制了其他变量已观测到的值后，某个变量是否缺失与它自身的值无关。例如，人们是否透露收入可能与性别、教育程度、职业等因素...