AI & Data
本次參賽主要目標就是將股票投資的技術分析程式化，並使用相關演算法與人工智慧技術來解決技術分析的各項課題。 程式碼與資料檔案都在GitHub： https://github.com/yilintung/IronMan2023 。
AI & Data
- MLOps 混合雲的實踐 - LLM 簡介與 MLOps 關係 - 使用 MLOps & LLMOps 的工具與生態圈 - Databricks, Azure Machine Learning, SageMaker, or Vertex AI - MLflow
AI & Data
機器學習的基礎建立，目前有很多可以直接套用實現神經網路的模型了，但是我通常看不懂背後的數學式，這次計畫透過探討數學式當中一維跟二維的資料情況，了解D維線性回歸的模型，讓自己對於機器學習的基礎有簡單的認識，並且在最後透過各樣的函數庫製作出大規模的神經網路，預計製作出兩個小專案，其一是爬蟲股市預測，其二是手寫數字辨識。
AI & Data
今天是特殊的一年，大型語言模型如雨後春筍般冒出，其回答問題、邏輯推理、舉一反三的能力也令人嘆為觀止，曾經被人工智能視為障礙的圖靈測試對如今的語言模型來說就像一塊小蛋糕；原本因為進入門檻極高，該技術始終掌握在少數人的手中，然而現在，在LLama系列的大型語言模型開源後，先前許多專門被用來finetune大模型的技術，也開始被使用在了LLama系列的語言模型上，本系列文章將使用單張顯卡，藉由研究baby llama2專案來嘗試從頭訓練自己的語言模型並一步一步把模型參數量加大；並且使用QLORA等等的技術來對現有的大型語言模型做針對性的微調，探索大語言模型的奧秘。
AI & Data
帶著大家利用ChatGPT完成各式各樣的任務，從創建帳號開始，到如何下prompt，最後能夠利用ChatGPT結合Excel、Email......等等。 前面1~10天基礎應用 11~30天則按照各式情境運用在生產力工作上，目前預訂有Excel、Email、學習程式語言、分享幾個好用的工具
AI & Data
有效的順序是什麼? 一般會從數學開始吧? 筆者不認為是這樣。 因為，要弄懂數學概念，是要靠寫程式來體驗。 所以順序會是 基本程式語言 -> 數學 -> 程式驗證 -> python tensorflow、keras套件使用 -> 實際資料應用
AI & Data
學習了解machine learning and deep learning, 並利用網上多方資源嘗試訓練出屬於自己的語音模型且加以活用
AI & Data
ChatGPT的出現，讓人不只感受到通用人工智慧的可能性，更讓人看見產業革命的曙光。 在接下來的30天裡，我將從基本理論以及重要概念出發，並以實際的聊天機器人開發案例跟大家介紹如何使用 OpenAI API 以及 LangChain，大家一起來學習，如何將對它的驚歎，轉換為實際的應用吧~