鐵人檔案
自然語言處理（NLP）對於各式各樣的模型來說至關重要。要先能夠運用程式語言來處理我們日常生活所用的語言，才能使大型語言模型（LLM）有更加精準的表現。
在這30天內，將從各式各樣的主題，像是基礎的Regular Expression，至BERT以及LLM，來去了解當今是如何運用AI、機器學習以及深度學習，來去處理、理解真實世界語料。
在前幾天，我們介紹了 Decision Tree（決策樹） 和 Naive Bayes（貝氏分類器） 等傳統的機器學習模型（Machine Learning M...
在各種 Deep Learning Models 中，RNN（Recurrent Neural Network）是一種特別設計來處理序列資料 (sequenti...
昨天我們介紹了 RNN 的基本概念，知道它可以記住先前的輸入，適合拿來處理序列資料。 但是，當我們想要做「序列到序列（seq2seq）」的轉換時（例如把一句中文...
在深度學習模型的發展當中， Transformer 是一個劃時代的模型。 在 Transformer 出現之前，RNN 等神經網路模型和 Encoder–Dec...
昨天我們提到 Transformer 是基於 Attention 的架構，沒有像 RNN 那樣逐步處理字串。 這時候就會有一個問題，如果它不是按照順序讀句子，那...
過去幾天我們介紹了 RNN、Encoder–Decoder、Transformer 和 Positional Encoding，這些概念共同構成了語言模型的基礎...
昨天我們談到 LLM（大型語言模型）如何從 Transformer 的架構中誕生。 那麼，LLM 為什麼能這麼聰明？為什麼只要問它一個問題或是給它一段提示，它就...
LLM（Large Language Model） 是透過大量語料學習「下一個token」的機率，具備語言理解與生成的能力。 昨天提到的 In-Context...
延續這幾天在介紹的 LLM、In-Context Learning（ICL）、Chain of Thought（CoT），要來講講另一個熱門的技術：RAG（Re...
這幾天接連講了一些跟 LLM 有關的概念，最後一天，要來介紹如何使用 Ollama 在本機端離線使用大型語言模型，並且會介紹一個使用 LLM 的介面：Open...
