- 综合排序
- 最热优先
- 最新优先
- 来自专栏Michael阿明学习之路
5. 支持向量机
线性支持向量机分类 2. 非线性支持向量机分类 2.1 多项式核 2.2 高斯 RBF 核 3. 支持向量机回归 4. 可参考：《统计学习方法》支持向量机（Support Vector Machines，SVM） 笔记 1. 非线性支持向量机分类 很多时候，数据是线性不可分的，我们可以增加特征，下图左侧数据线性不可分，增加 x2 项以后就可分了 ? [ ("scaler", StandardScaler()), ("svm_clf", SVC(kernel="poly", degree=3, coef0=1, C=5) 支持向量机回归 回归：在间隔内放置尽可能多的样本点 ?
49620发布于 2021-02-19 day5-向量+数据框
（4）显示工作路径 getwd() （5）向量是由元素组成的，元素可以是数字或者字符串。 （6）表格在R语言中称为数据框^_^ （7）别只复制代码，要理解其中的命令、函数的意思。 5.list 推荐参考：https://cloud.tencent.com/developer/article/1423987? 在数学上，向量和矩阵之间存在转换关系。对于某些类型的矩阵，特别是那些只有一个维度为1的情况，它可以被视为一个特殊的向量，也被称为列向量或行向量。同样，一个多维向量也可以通过堆叠成矩阵的形式来表示。 不同数据类型常用函数 向量：c() seq() rep() 矩阵 matrix() 数组 array() 数据框dataframe() list 重点关注向量和数据框 常用的操作 向量 赋值向量 从向量中提取元素 ：区别seq(), sep() 数据框 1.读取本地数据 2.查看行名和列名，行数和列数 3.数据框的导出 4.变量的保存与重新加载 5.提取元素 6.直接使用数据框中的变量 问题： save(a,file
43810编辑于 2024-01-20- 来自专栏硅光技术分享
机器学习笔记5：支持向量机
这篇笔记整理下支持向量机(support vector machine)的相关知识点。 支持向量机也是一种用来处理分类问题的算法，与逻辑回归相比，其假设函数发生了变化，不再是Sigmoid函数，而是线性的分段函数，如下图所示， ? 支持向量机的代价函数为 ? 支持向量机所做的是寻找一个直线来划分数据，使得该直线离两类数据集的距离最大，如下图所示。因此，支持向量机也被称为“大间距分离器”。 ?
44110发布于 2020-08-13 - 来自专栏陶士涵的菜地
客服系统个性化训练GPT知识库+知识库列表中新增向量搜索功能+语义文本搜索
大家都知道想要实现个性化训练的GPT，离不开向量数据库。 在我的客服系统后台，能够展示出向量库里的数据列表。现在有一个新需求，客户添加的数据很多，想要能够在后台搜索指定的数据，方便去修改。 新增搜索功能后，后台界面展示如下： 搜索部分也是基于的Qdrant数据库的search 接口，该接口需要把搜索的文本转成向量后，再通过向量去搜索相关数据。 所以，还是需要调用下gpt的 /v1/embeddings ，把搜索的关键词转为向量。 拿到向量再去调用qdrant数据库的 /collections/集合/points/search ，就可以把关键词通过语义文本相似性搜索出相关的数据 看看下面的效果，我胡乱写的搜索关键词，正常的分词搜索是搜不出数据的 ，现在通过向量搜索就能搜出来了
44320编辑于 2023-07-21 - 来自专栏陶士涵的菜地
开发GPT知识库功能时，需要上传word文档让知识库向量化，Golang读取word文档功能
开发GPT知识库功能时，需要上传word文档让知识库向量化，Golang读取word文档功能。
1.1K10编辑于 2023-04-21 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-4 向量化
本小节主要介绍使用向量化的方式提升性能。 简单线性回归 先来回归一下简单线性回归优化目标以及通过最小二乘的方式求得的参数a，b的解析解。 ? ，得益于numpy模块性能就会大大的提升，这就是向量化运算含义。 其实上面的w和v可以看成是一个向量，而将两个向量进行点乘之后正好是上面对应元素相乘后相加的结果，因此我们可以通过numpy中的点乘操作进行求解。 ? 上面我们将对应元素相乘然后相加的操作看成是向量之间的点乘，这也是为什么在最小二乘求解a的解析解的时候要把式子写成相乘累加的形式，这样就可以将其转换成向量之间的运算，进行向量化运算提升性能。 实现向量化的代码只需将for循环部分改成向量点乘即可： ? ? ? ? 为了比较两者的性能，将两种方式导入jupyter中，通过魔法命令来验证性能。 ? ? ? ?
89420发布于 2019-11-13 - 来自专栏paddle深度学习
paddle深度学习5 向量的维度变换
对于Tensor数据类型而言，有的时候，我们需要改变向量的形状，以满足计算要求例如：向量的变形、转置、压缩、解压等，属于基本的向量维度变换操作下面将对向量的维度变换操作进行介绍【reshape()】在numpy ，第二个参数为一个元组，它描述了新向量的形状注意元组的元素总数要与原向量一致【unsqueeze()】unsqueeze()方法将对向量进行维度扩充，在指定的轴增加一个维度import paddlea= ，从一个二维向量变成了一个三维向量【squeeze()】squeeze()方法与unsqueeze()方法正好相反，它的作用是减少一个维度但要注意，被删除的维度尺寸必须为1import paddlea= 【t()】t()方法用于向量的转置转置是一种改变向量维度顺序的操作，通常用于交换矩阵的行和列。 ，第二个参数是一个元组，元组代表新向量的轴顺序原本的(0,1,2)轴顺序被调换为了(2,0,1)因此向量的形状也从(2,3,4)变成了(4,2,3)【expand()】`paddle.expand()是
47800编辑于 2025-01-11 向量检索+NLU：AI知识库高效检索的核心逻辑与实操
而语义化AI问答和向量检索式AI搜索，则从根本上解决了传统知识库的关键词检索瓶颈，传统基于倒排索引的搜索方式常出现“搜不到”“搜不准”的情况，比如查询“如何解决HTTP接口调用超时的服务端问题”，关键词搜索仅能返回含 “超时”的零散文档，而系统的AI搜索通过自然语言理解（NLU） 解析用户查询意图，结合知识库的内容向量库做精准匹配，AI问答还能基于知识库语料做上下文关联推理，直接给出结构化的解决方案，无需再逐篇翻找整合信息 实操中还可利用其批量离线文件导入接口，将过往散落的Word、PDF、MD格式文档一次性批量迁入知识库，结合系统的内容结构化解析能力完成文档格式归一化，大幅降低知识库初期的内容迁移成本。 系统的第三方体系无缝集成能力依托轻量化的API接口与WebHook机制实现，让知识库的使用场景得到无限延伸，这也是我在团队落地时最看重的特性。 我们团队日常基于飞书做协同办公，通过调用系统的机器人开发接口，快速实现飞书智能问答机器人的开发与部署，同事在飞书群内通过@机器人即可发起知识库查询，无需跨平台操作；同时将知识库的网页挂件组件嵌入公司官网产品板块
22510编辑于 2026-02-28- 来自专栏算法channel
构建私人知识库的5个基本步骤
今天，这篇咱们先看看，如何构建一个AI私人知识库，把我们工作的历史数据构建为知识库，这样直接提问它，获取专业服务于个人的答案，效率直接起飞。 构建知识库一种方法是使用LangChain，编写100行内代码，就可以自己开发一个基本的知识库，自己动手，丰衣足食。 LangChain 允许您整合和利用个人知识库。 , metadata={"title": "自然语言处理"}) ] # 将文档加入知识库 chain.add_documents(docs) 步骤 4: 查询您的知识库 一旦您的知识库准备就绪，您就可以开始查询它以获取信息 print(response) 步骤 5: 进一步开发和优化 LangChain 提供了扩展性，您可以通过训练自定义模型、添加更多文档和改进查询处理来进一步优化您的知识库。
1.7K10编辑于 2024-05-10 5分钟搞定AI知识库部署
一、极简部署：5分钟搞定，零门槛上手AI开源知识库系统最让我惊喜的一点就是部署门槛极低，对比传统Confluence需要折腾服务器、插件、配置，它完全做到了“开箱即用”。 二、核心功能实操：AI不是花架子，是真能提效率的利器AI开源知识库系统的核心能力围绕“AI驱动+知识库管理”展开，它的AI功能最难得的是“克制且实用”，不会过度炫技，而是精准解决传统知识库的痛点：检索慢 案例2：电商企业——搭建智能客服FAQ知识库身边做电商的同行，用AI开源知识库系统搭建了客服FAQ知识库，整合了产品使用问题、物流问题、售后政策等内容，还集成到了钉钉客服群和电商平台后台。 大文件导入别着急：导入200页以上的Markdown文档或大体积PDF时，系统需要建向量索引，耗时会比较久，不要误以为是卡崩了，耐心等待即可；2. 五、最后想说：AI开源知识库系统适合谁？
44410编辑于 2026-03-04- 来自专栏YO大数据
【AI大模型】Embedding模型解析 文本向量知识库的构建和相似度检索
是将文字或短语转换成数值向量的过程。这些向量捕捉了单词的语义特征，例如意义、上下文关系等。 当我们使用向量化模型（如OpenAI的text-embedding-ada-002模型）将文本转化为向量后，每个向量的维度表示某种语义特征，向量中的值反映了相应特征的强度。 | 分别是这两个向量的欧几里得范数（即向量的长度）。 这个比例的本质是测量两个向量之间夹角的余弦值，范围从-1到1： 当余弦值为1时，表示两个向量方向完全相同。 当余弦值为0时，表示两个向量正交，即在高维空间中不相关。 后续会使用到向量数据库 完成知识库的搭建 欢迎小伙伴们 点赞、收藏⭐、留言 有问题可以咨询主页
14.5K21编辑于 2024-05-25 - 来自专栏TeamsSix的网络空间安全专栏
T Wiki 云安全知识库 5 月份更新汇总
前言 T Wiki 在 4 月 16 日上线，5 月份以来依然收到不少师傅的支持与反馈，此时正好到月末，特此整理下这段时间来 T Wiki 上所更新的内容，如果你还不知道 T Wiki 是什么，可以查看这篇文章 T Wiki 云安全知识文库上线，或者访问 T Wiki 地址：wiki.teamssix.com 感谢你们 自 5 月 1 日至 5 月 31 日，T Wiki 总共收到了 4 位师傅的补充，分别为 CloudBrute k8s 调试辅助工具 validkube Bridgecrew Blog（英文） 浅析 k8s 各种未授权攻击方法 Trend Micro Blog（英文） 企业迁移到公有云之前要问的5个问题 AWS 下查看自己所拥有的权限 APISIX CVE-2022-29266 漏洞分析与复现 保障云和容器安全的十个注意事项（英文） Rhino Security Labs Blog（英文） 火线云安全知识库
1.1K20编辑于 2022-09-20 - 来自专栏绿盟科技研究通讯
5G基础设施的潜在威胁向量
5G威胁模型工作小组的初步工作重点是探索5G非独立（NSA）网络相关的潜在威胁向量，对其进行优先级排序。 介绍 虽然5G转型带来了大量机会和能力，但也引入了新的漏洞和威胁。ESF和5G威胁模型工作小组确定的以下威胁向量构成了跨各种5G域的初始威胁列表。 >>>> 威胁向量概述 政策和标准 制定5G政策和标准是保护5G的未来通信基础设施的基础。 此外，5G网络利用的ICT组件比前几代无线网络都要多，这可能为恶意攻击者提供其他向量，用于拦截、操纵、破坏和损害关键数据。5G设备的容量增加促进了物联网的普及，为5G网络引入了许多可能不太安全的设备。 如果不持续关注5G威胁向量，尽早识别系统架构中的缺陷，基于新漏洞的网络事件将产生更大影响。 5G威胁向量 本节围绕政策和标准、供应链和5G系统架构这三个威胁向量详细介绍了每个主要的威胁向量的子威胁。
72720发布于 2021-11-10 - 来自专栏浊酒清味
Python快速实战机器学习(5) 支持向量机
Python快速实战机器学习(1) 教材准备 Python快速实战机器学习(2) 数据预处理 Python快速实战机器学习(3) 线性分类器 Python快速实战机器学习(4) 逻辑回归 概要 1、初步认识支持向量机 支持向量机介绍 1 初步认识 支持向量机的英文是Support Vector Machine,缩写为SVM，在接下来的介绍中我们都用SVM来表示支持向量机。 如上图中右图所示，间隔定义为两个分隔超平面(决策界，图中的两条细线)的距离，那些最靠近超平面的训练样本也被称为支持向量(suppor vectors)。 但实际上最优决策面的方向和位置完全取决于选择哪些样本作为支持向量，也就是图上面的穿过决策面(Decision boundary)的红色和绿色样本。 SVM只关心那些离决策界最近的点(即，支持向量)。另一方面，逻辑回归的优点是易于实现，特别是并行化实现。此外，面对流式数据，逻辑回归的易于更新的特点也很明显。
65320发布于 2019-11-07 向量检索与NLP赋能：开源知识库的技术核心与应用场景
此类AI大模型驱动的开源知识库系统，基于AGPL-3.0开源协议开发，依托大模型微调适配、向量数据库检索、RESTful API接口等核心技术，凭借智能化功能、灵活的拓展能力与轻量化的部署体验，为不同组织框架下的企业知识管理提供了全新的解决方案 在知识架构搭建上，该开源知识库支持结构化与轻量化并存的知识体系搭建模式，基于树形目录结构、标签化分类体系、向量嵌入索引，可根据企业组织框架的层级关系，搭建从企业级、部门级到岗位级的层级化知识目录，也可根据业务场景搭建轻量化的专题知识空间 （四）AI检索与问答：实现组织内的“知识找人”传统关键词检索模式往往存在“检索结果与需求匹配度低”的问题，而此类开源知识库的AI语义检索基于向量数据库（如Milvus、Chroma）、BERT语义模型， 针对集团型企业跨子公司、跨部门的知识查询需求，AI可通过跨库向量检索、分布式查询，打破组织边界，整合全集团的相关知识；针对事业部制企业各业务线的专业知识查询需求，AI可通过领域知识库微调，精准匹配业务线专属知识 42%，售后事业部的故障解决效率因整合研发、生产知识提升60%；新员工的跨事业部培训周期从1个月缩短至5天，各事业部的新人培养成本大幅降低。
22410编辑于 2026-03-11基于 AutoFlow 快速搭建基于 TiDB 向量搜索的本地知识库问答机器人
导读本文将详细介绍如何通过 PingCAP 开源项目 AutoFlow 实现快速搭建基于 TiDB 的本地知识库问答机器人。 AutoFlow 是 PingCAP 开源的一个基于 Graph RAG、使用 TiDB 向量存储和 LlamaIndex 构建的对话式知识库聊天助手。 启动知识库应用运行以下 docker compose 命令启动知识库应用程序：cd autoflowdocker compose -f docker-compose-cn.yml up -d --force-recreate 网页访问和配置知识库应用应用启动成功后，我们可以直接通过默认的 3000 端口访问相应的界面进行下一步操作了。 体验智能问答至此，我们已经完成了配置数据源并完成了向量化存储及向量索引的创建。
36410编辑于 2024-12-05- 来自专栏夕阳醉了
基于GPT搭建私有知识库聊天机器人（三）向量数据训练
本文将重点介绍数据训练的流程，以及如何加载、切割、训练数据，并使用向量数据库Milvus进行数据存储。 1. 数据训练依赖于向量数据库 在本文中，我们使用了Milvus作为向量数据库。 读者可以参考之前的文章《基于GPT搭建私有知识库聊天机器人（二）环境安装》来准备其他基础环境。 2. 数据训练流程 数据训练的流程包括准备PDF文档、上传至系统文件目录、开始训练、加载文件内容、内容切割和存储至向量数据库。下面是整个流程的流程图： 3. chunk_size=chunk_size, chunk_overlap=chunk_overlap) texts = text_splitter.split_documents(documents) 3.4 存储至向量数据库 总结 在本文中，我们详细介绍了基于GPT搭建私有知识库聊天机器人的数据训练过程，包括数据训练的依赖、流程和代码展示。数据训练是搭建聊天机器人的重要步骤，希望本文能对读者有所帮助。
1.1K40编辑于 2023-10-16 - 来自专栏coder
RAG实操教程langchain+Milvus向量数据库创建你的本地知识库
什么是 RAG RAG 是retrieval-augmented-generation的缩写，翻译为中文的意思就检索增强，以基于最新，最准确的数据建立LLM 的语料知识库。 LLM 现存的痛点 我们知道 LLM 的知识库是通过现有的网络公开的数据作为数据源来训练的，现在公开的很多模型他们基于的训练数据会比我们现在网络上公开的数据早很多，那自然就会产生一种问题，网络上最新的数据和知识 保存拆分好的文档保存到向量数据库中。 设计向量数据库的数据库、集合、字段，索引等信息。 向量化+存储 上面已经说明了向量库以及embedding model的关系。我们直接使用 langchain 提供的工具连完成 embedding 和store。 0.2, "top_p": 0.95, "stream": true }' 对比pdf中的内容，很明显这个结果就是对的： 总结： 本文主要是介绍了使用 langchain+ Milvus向量数据库构建一个知识库的示例
4.4K11编辑于 2024-09-06 - 来自专栏机器学习与统计学
【R语言经典实例5】如何比较两个向量
问题 如何比较两个向量，或者将一个向量的所有元素与某一个常数进行比较。 解决方案 比较运算符（==、!=、<、>、<=、>=）能对两向量间的各个元素进行比较。 这些运算符也能将向量中所有元素与一个常数进行比较。返回结果是每两个元素间比较结果的逻辑值向量。 讨论 R软件包含两个逻辑值，TRUE和FALSE。 ，它会将两个向量中每两个对应的元素进行比较，并以逻辑值向量方式返回比较结果： > v <- c( 3, pi, 4) > w <- c(pi, pi, pi) > v == w# 比较两个各自包含3个元素的向量 [1] FALSE TRUE FALSE# 结果以包含3个逻辑值的向量形式输出 > v ! ，R软件会将常数扩充为一组长度与所比较向量的长度相等，并由常数值重复组成的向量，再将新向量与它需要比较向量的对应元素进行比较。
7.4K40发布于 2019-04-10 - 来自专栏机器学习算法与Python学习
支持向量机(SVM)之Mercer定理与损失函数----5
3----常用损失函数 有这么一句话“支持向量机（SVM）是90 年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下
3.9K70发布于 2018-04-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号