时间序列预测:从统计方法到深度学习
时间序列数据广泛存在于金融交易、工业传感、气象监测与网络流量等场景中。与静态的横截面数据不同,时间序列数据的核心特征在于其观测值之间存在强烈的时序依赖关系。如何从历史轨迹中捕捉规律
探索人工智能的边界,从大模型到机器学习,从深度学习到实际应用。
这里记录着我对 AI 领域的实践、思考与资源整理。
前端交互与 Node.js 后端开发
AI/ML 开发主力语言, Django 全栈
桌面应用与后端服务开发
深度学习框架,模型训练与部署
传统机器学习算法与数据预处理
大模型应用开发,检索增强生成
时间序列数据广泛存在于金融交易、工业传感、气象监测与网络流量等场景中。与静态的横截面数据不同,时间序列数据的核心特征在于其观测值之间存在强烈的时序依赖关系。如何从历史轨迹中捕捉规律
引言 随着机器学习技术在各行业的快速落地,模型从实验环境到生产系统的部署过程逐渐暴露出诸多挑战。数据科学家与工程师之间的协作断层、模型版本混乱、监控缺失等问题,导致大量AI项目难以
引言 游戏开发正经历一场由生成式人工智能驱动的技术范式转移。传统游戏管线高度依赖人工创意与重复性劳动,从原画设计、模型拓扑到剧情分支编写,每一环节都伴随着高昂的时间与资金成本。随着
引言 随着大语言模型(Large Language Models, LLMs)的快速发展,如何通过自然语言与AI高效交互已成为开发者与研究人员的核心技能。提示词工程(Prompt