weixin_44835327的博客

原创 如何使用ChatGPT得到更满意的结果（7）：面向开发者的ChatGPT Prompt Engineering （Expanding）

承接上篇，继续整理关于面向开发者的Prompt Engineering教程笔记。整理的内容基本上英文原文都来自于教程，有需要的朋友可以直接戳https://learn.deeplearning.ai/。这篇笔记主要整理教程中的Expanding部分。

原创 如何使用ChatGPT得到更满意的结果（6）：面向开发者的ChatGPT Prompt Engineering （Transforming）

承接上篇，继续整理关于面向开发者的Prompt Engineering教程笔记。整理的内容基本上英文原文都来自于教程，有需要的朋友可以直接戳https://learn.deeplearning.ai/。这篇笔记主要整理教程中的Transforming部分。我们将探索如何使用大型语言模型进行文本转换任务，比如语言翻译、语气调整，格式转换以及拼写/语法检查。

原创 如何使用ChatGPT得到更满意的结果（5）：面向开发者的ChatGPT Prompt Engineering （Inferring）

承接上篇，继续整理关于面向开发者的Prompt Engineering教程笔记，整理的内容基本上英文原文都来自于教程，有需要的朋友可以直接戳https://learn.deeplearning.ai/。这篇笔记主要整理教程中Inferring的部分，使用prompt进行推断。

原创 如何使用ChatGPT得到更满意的结果（4）：面向开发者的ChatGPT Prompt Engineering （Summarizing）

承接上篇，继续整理关于面向开发者的Prompt Engineering教程笔记，这篇笔记主要整理教程中Summarizing的部分，通过关注特定主题来总结文本。

原创 如何使用ChatGPT得到更满意的结果（3）：面向开发者的ChatGPT Prompt Engineering （迭代式Prompt开发）

承接上篇，继续整理关于面向开发者的Prompt Engineering教程笔记，整理的内容基本上都来自于教程，有需要的朋友可以直接戳https://learn.deeplearning.ai/。这篇笔记主要整理教程中lterative Prompt Development的部分。

原创 如何使用ChatGPT得到更满意的结果：Prompt Engineering （2）

这篇笔记以及之后关于这个系列的整理仅作为学习笔记使用，内容基本都来自于教程并加上自己的理解，有需要的朋友可以直接戳https://learn.deeplearning.ai/。这篇笔记主要整理教程中Introduction和Guidelines for Prompting的部分。

原创 【笔记】社交媒体事件的Hawkes Process建模教程（4）

在这篇笔记中，我们将使用社交媒体的数据进行Hawkes process的建模。我们将首先讨论为什么Hawkes process适合来进行推特转发级联的建模，以及如何构建记忆核函数，然后我们将从推特数据中估计模型参数。最后使用带参数的模型来进行转发级联的规模估计（受欢迎程度）。

原创 【笔记】社交媒体事件的Hawkes Process建模教程（3）——参数估计

在这篇笔记中，将继续分享tutorial的第五部分内容，即如何估计Hawkes Process的参数。Tutorial最后的建模应用部分留到下一篇笔记。

原创 【笔记】社交媒体事件的Hawkes Process建模教程（2）

在本篇笔记中，将接着上一篇笔记继续分享tutorial的第三、四部分内容，谈一谈到底什么是Hawkes Process，如何使用Hawkes Process模拟事件（两个方法）。Tutorial最后的如何估计Hawkes Process的参数和建模实例部分留到后面的笔记继续。

原创 【笔记】社交媒体事件的Hawkes Process建模教程（1）

在参考A Tutorial on Hawkes Processes for Events in Social Media这篇文章的情况下，重新对Hawkes Process进行从理论到应用的梳理。包含了从poisson processes，hawkes processes的概念介绍，到使用hawkes process进行建模以及参数估计的全部内容。

原创 成功解决 ImportError: cannot import name ‘Field‘ from ‘torchtext.data‘

此后再次运行from torchtext.data import Field, Dataset, Example, Iterator，依然会出现报错。尝试from torchtext.legacy.data import Field, Dataset, Example, Iterator，依旧报错。重新使用命令：from torchtext.data import Field, Dataset, Example, Iterator。

原创 【笔记】Hawkes Process：超详细带示例的讲解

Hawkes Process是一种在各个领域都有应用的对事件进行统计建模方法，是一种自我激励的点过程（point process），可以帮助我们了解事件是如何随时间发生的。本文将用简单的语言，结合实际具体的例子帮你更好的理解什么是Hawkes Process以及如何进行简单的模拟。

原创 【笔记】 如何使用ChatGPT得到更满意的结果：Prompt Engineering （1）

基本术语在人工智能的领域中，自然语言处理技术逐渐成为了人们研究的热点之一。而在自然语言处理技术中，Prompt工程师是一个非常重要的职业，他们负责编写AI模型所需要的数据，即Prompt。Prompt是指你输入给AI模型的指令或问题，AI依据这些指令或问题进行学习和生成结果。如何编写优秀的Prompt，是Prompt工程师需要解决的一项核心问题。在了解到 Prompt Engineering的重要性之后，我也开始了初步的学习。今天的笔记主要是针对于一个youtube视频的学习笔记，视频链接贴在最后。

原创 泵引理 Pumping Lemma

泵引理是用于判断一个语言是否是正则语言的定理。如果这种语言可以用 DFA、NFA 或者使用正则表达式来描述，那么这个语言就是正则语言。如果不是正则语言，没有办法画出 DFA 和 NFA 或者写出正则表达式，则可以用pumping lemma来证明。

原创 【笔记】使用Twitter API V2进行数据爬取的经验总结

这篇笔记主要是基于自己使用API过程中遇到的问题以及不断的尝试形成的经验总结，欢迎大家参考和交流

原创 【笔记】Chunk size, Stripe width, Stripe size概念辨析

在RAID-6的实现过程中，发现Chunk size, Stripe width, Stripe size这几个概念十分容易混淆，且能完全辨析的帖子很少。因此经过在百度大学以及谷歌大学的学习，我整理了一个从我的角度来说能够辨析上述概念的正确的思路。上述概念的辨析主要可以结合RAID0来进行理解，如果在叙述方面存在不妥或者有更好的理解方式，欢迎讨论~参考链接在正式开始进行概念辨析之前，首先来回顾一下什么是RAID。

原创 自用 | Latex常用（易忘）语法总结

总结了一些自己常用但不太记得的latex语法，以备不时之需

原创 自用 | 常用Linux命令总结

自用！总结在服务器使用过程中的常用linux命令，以便不时之需

翻译 论文阅读 | Responsible Data Management

在数据驱动的算法系统中纳入对道德和法律法规的考虑已经引起了计算机学界的极大关注，但大部分工作仅限于数据分析的“最后一英里”，并且忽略了系统的设计、开发和使用生命周期和数据生命周期。在文章中，作者强调希望以人作为数据管理的核心，在数据的生命全周期中对数据管理负责。

原创 【笔记】概统论与数理统计第九章知识点总结

9.1 假设检验的基本概念假设检验的基本概念 假设检验的基本思想：先依照问题提出一个假设，然后用试验得出的数据, 利用概率论的方法, 计算某个事件在假设成立下的概率，最后根据这概率的大小来决定是接受还是拒绝原来的假设 原假设与备择假设 拒绝域和接受域 两类错误 ​​​​​​犯第一类错误的概率是不大于显著性水平 α 的 犯第一类错误的概率β不易求出，但因为α + β < 1，且α 越小 β 越大

原创 【笔记】概统论与数理统计第八章知识点总结

参数估计：利用样本提供的信息, 对分布函数中的未知参数θ有一个基本的估计8.1 点估计估计值和估计量：设总体的分布函数是 F(x, θ)，其中θ为未知参数。从总体X中抽取样本, 其观测值为 构造某个统计量????()，并用它的观测值????()来估计未知参数 θ，则称 ????()为 θ 的估计值，称????()为 θ 的估计量 θ 的一个点估计：用样本的统计量给出未知参数的一个估计值的方法 点估计量：是一个统计量, 是一个不含未知参数的, 作为样本的函数的随机变量 点估计值：一个数 点

原创 【笔记】概统论与数理统计第七章知识点总结

7.1 总体与样本总体：全体被研究对象 个体：每个被研究对象 为了研究总体的性质, 我们假设可以从总体中随机抽取独立的样本. 通过分析样本, 我们推断总体的性质 抽样需满足的条件 随机性 独立性 样本：设随机变量与总体 X 独立同分布, 则称为一样本空间容量为 n 的来自总体 X 的简单随机样本(样本) 样本观测值：的取值 7.2 χ2 分布, t 分布与 F 分布????????分布：独立同分布于标准正态分布 N(0, 1), 称随机变量 所服从..

原创 【笔记】概统论与数理统计第六章知识点总结

6.1 大数律切比雪夫不等式：设随机变量的期望和方差都存在, 则对任意 ε > 0, 有 依概率收敛：设是一随机变量序列，a 为常数，若对任意 ε > 0，有 直观意义：当 n 充分大的时候, |Xn − a| 以极大的概率充分接近于 0 一个随机变量序列依概率收敛的充分条件 切比雪夫大数定律：对两两不相关的随机变量序列 {}，若 E(), D() 都存在, 且有常数 C < ∞ 使得 D() ≤ C，k

原创 【笔记】概统论与数理统计第五章知识点总结

5.1 正态分布及其密度函数和分布函数正态分布是自然界中最常见的分布，很多特征都服从正态分布，背后的原理是中心极限定理1.标准正态分布X~N(0, 1)随机变量X的概率密度函数φ(x) 随机变量x的分布函数????(????) 性质（偶函数） 2. 一般正态分布????~????(????,) X的分布函数 正态分布的密度函数 ​关于 x = µ 对称 曲线顶点为 曲线以 x 轴为渐进线, 且在

原创 【笔记】概统论与数理统计第四章知识点总结

4.1 数学期望1.离散型随机变量的数学期望E(X)：随机变量X取值的加权平均值，权重为概率，级数????=1∞????????????????收敛，则 0-1分布X~B(1, p)：E(x) = p 二项分布X~(n, p)：E(X) =np 指数分布X~e(????)：E(X) = 0-1分布X~B(1, p)：E(x) = p 几何分布X ∼ G(p)：E(X) = 超几何分布：E(X) =2.连续型随机变量的数学期望：均匀分布X ∼ U(a, b)： Gamma 分布??

原创 【笔记】概统论与数理统计第三章知识点总结

3.1 二维随机变量及其分布函数二维随机变量 (向量)：在同一个样本空间上的两个随机变量X和Y组成(X, Y) 由于随机变量X和Y从不同角度刻画统一随机试验，X和Y可能还存在内部联系，因此使用二维随机变量进行刻画 二维分布函数：设 (X, Y) 是二维随机向量, 对任意实数 x, y, 称F(x, y) = P(X ≤ x, Y ≤ y)为二维随机变量 (X...

原创 【笔记】概统论与数理统计第二章知识点总结

2.1 随机变量及其分布函数1. 随机变量 在随机试验的可能结果和数之间建立对应关系 随机变量：设 Ω 为一个试验的样本空间，如果对每一个样本点 ω ∈ Ω，规定一个实数 X(ω)，这样就定义了一个定义域为 Ω 的实值函数 X = X(ω)，称 X 为随机变量 随机变量是确定的函数 其定义域是样本空间 随机变量取值具有随机性，取值具有一定的概率 注意：X 取值的统计规律性在其取值范围无限的情形下，并不能用单点集上的可能性刻画。比如, X 表示 (0,1) 上随机取点的坐标，那

原创 【笔记】概统论与数理统计第一章知识点总结