|
|
@@ -1,13 +1,8 @@
|
|
|
# 《解构大语言模型：从线性回归到通用人工智能》配套代码
|
|
|
|
|
|
-**购买地址：**
|
|
|
+购买地址：[京东](https://item.jd.com/14596264.html)
|
|
|
|
|
|
-* [当当](https://product.dangdang.com/29718791.html)
|
|
|
-* [京东](https://item.jd.com/14596264.html)
|
|
|
-
|
|
|
-本书还配套免费的视频课程，观看地址为：
|
|
|
-
|
|
|
- * [B站](https://space.bilibili.com/417265639/channel/collectiondetail?sid=3138772)
|
|
|
+另外，本书还配套免费的视频课程：[B站](https://space.bilibili.com/417265639/channel/collectiondetail?sid=3138772)
|
|
|
|
|
|
如果大家对本书有赞赏、建议、批评之声，请在[豆瓣](https://book.douban.com/subject/36873291/)上留下你们的看法，再次谢谢大家。
|
|
|
|
|
|
@@ -37,4 +32,4 @@
|
|
|
|
|
|
模型结构固然是学习的关键，但除此之外，我们还需要了解大语言模型的物质基础，即数据。对数据的学习主要聚焦于模型的训练方式、模型解释和特征工程3个方面。大语言模型的训练涉及迁移学习和强化学习，这两者又源自监督学习。模型解释与特征工程则需要借鉴计量经济学和其他经典模型的经验。
|
|
|
|
|
|
-无论是模型结构还是数据基础，在进行技术讨论时都离不开数学基础，具体而言，主要包括张量、概率和微积分等内容。
|
|
|
+无论是模型结构还是数据基础，在进行技术讨论时都离不开数学基础，具体而言，主要包括张量、概率和微积分等内容。
|
Gen TANG