机器学习

如果你是一个有野心、希望更进一步的数据科学家，我建议你尽可能多地利用好Kaggle。它可以为你提供很多，其中最重要的是，它可以为你提供其他用户上传的现成的notebooks。你只需要通过复制和阅读就可以了解其他人是如何面对问题、解决问题的。不需要从零开始，你完全可以复制一个notebook并按照你的想法加以改进。

2020年，我写了一篇题为《科技领域的下一件大事：改变世界的20项发明》的文章。这篇文章至今已被阅读了10万多次，并在社交媒体上被分享了5000多次。但今天读到它的人都会注意到，当时写的内容现在已经过时了。更新是必要的，重点介绍当今正在兴起的关键技术，这些技术到2030年（或2028年……或2032年……）将成为热门，以下是未来几年将改变世界的8项发明。

本文选自The Algorithmic Bridge，一个旨在弥合人工智能与人类之间差距的教育项目，今天我们一起学习如何应对已经到来的未来。这篇文章是对我们目前所掌握的信息的一个快速概述(分为易于浏览的部分)，以及我对所读内容的第一印象(尚未测试该模型)。在接下来的几天里，我将更深入地了解Gemini可以做什么，它是如何构建的(希望如此)，它是如何工作的，以及它对人工智能的未来意味着什么。

大型语言模型（LLMs）以其解决复杂问题的能力令人惊叹。更大型的模型展现出在数学和问题解决方面的推理能力。此外，通过诸如思维链等提示技术，这些模型取得了显著的成果。当然，模型并不总是得出正确答案。因此，随着时间的推移，人们提出了更多的策略，这仍然是一个活跃的研究领域。例如，模型可以在CoT数据上进行微调（由问题、答案和解释答案的基础构成的数据对）。另一种方法是在大量的数学数据、编码和STEM（科学、技术、工程和数学）方面进行微调。值得一提的例子有谷歌的Minerva和LLemma。

人工智能开发人员的一项基本技能是编写干净、可重复使用的代码。因此，今天我将使用Deepnote在Python中介绍另一种设计模式。Builder模式将一个复杂对象的构建与表示分离。该模式具有灵活性和可扩展性，支持创建具有可变属性的复杂对象，同时保持客户端代码的整洁性和易用性。所有这些都使我们能够以一种清晰一致的方式构建复杂的对象。