DataWhale

DatawhaleAI夏令营学习活动

学习任务如下：##赛事任务参赛者需基于提供的带货视频文本及评论文本数据，完成以下三阶段分析任务：-【商品识别】精准识别推广商品；-【情感分析】对评论文本进行多维度情感分析，涵盖维度见数据说明；-【评论聚类】按商品对归属指定维度的评论进行聚类，并提炼类簇总结词。###数据说明本次挑战赛为参赛选手提供包含85条脱敏后的带货视频数据及6477条评论文本数据，数据包括少量有人工标注结果的训练集（仅包含商品

若天明·2025-07-26 21:05

Datawhale X 魔塔 Ai夏令营 --深度学习基础

一、局部极小值与全局极小值全局极小值：在损失函数的整个定义域内，损失值最小的点。这是我们在训练深度学习模型时希望找到的点，因为它代表着模型的最佳性能。局部极小值：在损失函数的一个局部区域内，损失值达到最小，但在整个函数定义域内可能不是最小的。当优化算法陷入局部极小值时，它可能会误以为已经找到了全局最优解，从而停止搜索。局部极小值的检测两种直观的方法来检测局部极小值：可视化方法：对于低维问题，我们可

·2025-07-21 08:11

Datawhale组队学习打卡-Fun-transformer-Task3Encoder

今天的内容主要是Encoder部分的具体流程，多头注意力和交叉注意力，还是会有比较多的公式来厘清每部分的输入和输出以及对应的方法。Encoder如第一篇所说，Encoder是Transformer的第一部分，其主要任务是将输入序列（如文本、词语或字符）编码为一个上下文丰富的表示，Encoder的输出是Decoder的输入的一部分（用作Attention机制中的和）。1.Encoder的整体结构堆叠

宇宙第一小甜欣·2025-07-20 06:05

DataWhale 二月组队学习-深入浅出pytorch-Task04

一、自定义损失函数1.损失函数的作用与自定义意义在深度学习中，损失函数（LossFunction）用于衡量模型预测结果与真实标签之间的差异，是模型优化的目标。PyTorch内置了多种常用损失函数（如交叉熵损失nn.CrossEntropyLoss、均方误差nn.MSELoss等）。但在实际任务中，可能需要针对特定问题设计自定义损失函数，例如：处理类别不平衡问题（如加权交叉熵）实现特殊业务需求（如对

－273.15K·2025-07-20 06:34

【DW11月-深度学习】Task03前馈神经网络

参考链接：https://datawhalechina.github.io/unusual-deep-learning/#/4.

沫2021·2025-07-20 02:29

#Datawhale组队学习#7月-强化学习Task1

这里是Datawhale组织的组队学习《强化学习入门202507》，Datawhale是一个开源的社区。第一章绪论1.1为什么要学习强化学习？

fzyz123·2025-07-19 13:58

“Datawhale AI夏令营”基于带货视频评论的用户洞察挑战赛

前言：本次是DatawhaleAI夏令营2025年第一期的内容，赛事是：基于带货视频评论的用户洞察挑战赛（科大讯飞AI大赛）一、赛事背景在直播电商爆发式增长浪潮中，短视频平台积累的海量带货视频及用户评论数据蕴含巨大商业价值

fzyz123·2025-07-12 17:54

全球DeepFake攻防挑战赛&DataWhale AI 夏令营——图像赛道

全球DeepFake攻防挑战赛&DataWhaleAI夏令营——图像赛道赛题背景随着人工智能技术的迅猛发展，深度伪造技术（Deepfake）正成为数字世界中的一把双刃剑。

czijin·2025-07-11 05:24

【GitHub开源项目实战】LLM-Cookbook 中文大模型工程手册全解析：多场景落地应用与技术优化路径深度实践

GitHub开源实战|LLM-Cookbook中文大模型工程手册全解析：多场景落地应用与技术优化路径深度实践关键词LLM-Cookbook，中文大模型，Datawhale，大模型实战，LangChain

·2025-07-10 21:59

Happy-LLM 第二章 Transformer

Transform架构图片来自[Happy-llm](happy-llm/docs/chapter2/第二章Transformer架构.mdatmain·datawhalechina/happy-llm

HalukiSan·2025-07-06 10:58

大模型学习（Datawhale_Happy-LLM）笔记7: Encoder-Decoder PLM

大模型学习（Datawhale_Happy-LLM）笔记7:Encoder-DecoderPLM1.Encoder-Decoder架构概述1.1架构基础Encoder-DecoderPLM是基于原始Transformer

lxltom·2025-07-02 23:31

阅读笔记(2) 单层网络:回归

阅读笔记(2)单层网络:回归该笔记是DataWhale组队学习计划（共度AI新圣经：深度学习基础与概念）的Task02以下内容为个人理解，可能存在不准确或疏漏之处，请以教材为主。

a2507283885·2025-06-28 09:41

【机器学习实战】Datawhale夏令营2：深度学习回顾

#DataWhale夏令营#ai夏令营文章目录1.深度学习的定义1.1深度学习＆图神经网络1.2机器学习和深度学习的关系2.深度学习的训练流程2.1数学基础2.1.1梯度下降法基本原理数学表达步骤学习率

城主_全栈开发·2025-06-28 00:17

二、大模型的能力（DataWhale大模型理论基础）

大模型的能力一、概述本节主要是通过对GPT-3论文中的基准测试深入研究，从而获得关于GPT-3更深程度的认识我们应该知道，GPT-3的结果参差不齐：在某些任务上，比如语言建模，GPT-3大幅度超越了现有技术的最高水平；在其他任务上，GPT-3与训练有素，拥有大量标签数据的系统竞争时，却明显落后。造成上述现象的原因：GPT-3并未明确针对这些任务进行训练，它只是作为一个语言模型，被训练来预测下一个词

Y_fulture·2025-06-26 02:32

大模型学习（Datawhale_Happy-LLM）笔记4: 预训练语言模型

大模型学习（Datawhale_Happy-LLM）笔记4:预训练语言模型一、概述本章按Encoder-Only、Encoder-Decoder、Decoder-Only的顺序来依次介绍Transformer

lxltom·2025-06-25 11:09

【Datawhale组队学习202506】YOLO-Master task02 YOLO系列发展线

系列文章目录`文章目录系列文章目录前言V1-2015-JosephRedmonV2-2016-JosephRedmonV3-2018-JosephRedmonYOLO之父的退出V4-202004-Chien-YaoWangV5-20200609-Ultralytics公司V6-20220623-美团V7-2022-Chien-YaoWangV8-20230110-Ultralytics公司V9-2

来两个炸鸡腿·2025-06-23 22:21

Datawhale YOLO Master 第1次笔记

课程链接https://github.com/datawhalechina/yolo-masterYOLO系列模型堪称算法界的《五年高考三年模拟》：代码比字典的释义还易懂：PyTorch版源码自带"防脱发

weixin_44811994·2025-06-22 07:36

DataWhale-零基础网络爬虫技术（一）

课程链接先给各位↓↓↓（点击即可食用.QAQDatawhale-学用AI,从此开始一、引言还是在笔记的开始，唠唠一些自己的故事十年前第一次接触网络，也可以说是第一次接触计算机的时候，那时候还是在中学阶段

我怎么又饿了呀·2025-06-21 10:20

DataWhale-零基础络网爬虫技术（二er数据的解析与提取）

课程链接先给各位↓↓↓（点击即可食用.QAQDatawhale-学用AI,从此开始一、数据的解析与提取数据提取的几种方式：re解析bs4解析xpath解析1.1正则表达式（ReuglarExperssion

我怎么又饿了呀·2025-06-21 10:19

【Datawhale组队学习202506】YOLO-Master task01 导学课程

二、YOLO好在哪2.1卓越性能2.2极易学习2.3模块化设计2.4开源社区活跃三、YOLOMaster教程内容介绍总结前言Datawhale是一个专注于AI与数据科学的开源组织，汇集了众多领域院校和知名企业的优秀学习者

来两个炸鸡腿·2025-06-19 21:36

Datawhale组队学习 - 202505 - PyPOTS - Task01时序数据与PyPOTS

系列文章目录Task01-时序数据与PyPOTS文章目录系列文章目录前言1时间序列数据1.1时间序列数据的类型1.2时间序列数据示例1.3时间序列的研究与应用方向1.3.1预测Forecasting1.3.2分类Classification1.3.3聚类Clustering1.3.4异常监测AnomalyDetection1.3.5时间序列生成Generation1.3.6插补Imputation

来两个炸鸡腿·2025-06-19 21:06

【Datawhale组队学习202506】零基础学爬虫 01 初始爬虫

核心字段重要规则说明非标准扩展指令协议生效条件局限性验证工具2.3一个爬虫demo3Web请求与HTTP协议3.1一个web请求的全过程3.2判断页面源代码位置3.3HTTP协议HTTP请求HTTP响应3.4requests模块入门总结前言Datawhale

来两个炸鸡腿·2025-06-19 20:02

Datawhale 2025年2月组队学习- 推荐系统教程FunRec #Task3

第二章基于向量的召回1.item2vec未完待续……2.youtubeDnn3.经典双塔模型

dxnb22·2025-06-18 22:28

Datawhale | 最新AI Agent万字综述分享！

本文来源公众号“Datawhale”，仅用于学术分享，侵权删，干货满满。原文链接：最新AIAgent万字综述分享！

双木的木·2025-06-16 23:32

全方位入门大模型应用开发，只需一招搞定：吴恩达系列课程中文教程实战指南！

而由Datawhale团队打造的《面向开发者的大模型手册-LLMCookbook》项目，正好为有志于投身大模型开发的中文学习者提供了一套体系化、本地化的入门与实战宝典。

AI小白熊·2025-06-15 02:10

Git 3天2K星标：Datawhale 的 Happy-LLM 项目介绍（附教程）

为了帮助广大AI爱好者深入掌握大语言模型的精髓，国内最大的AI开源学习社区Datawhale推出了Happy-LLM项目。这个开源教程以

大语言模型·2025-06-09 09:08

LLM基础1_语言模型如何处理文本

基于GitHub项目：https://github.com/datawhalechina/llms-from-scratch-cn工具介绍tiktoken：OpenAI开发的专业"分词器"torch：Facebook

激进小猪1002·2025-06-08 05:54

LLM基础2_语言模型如何文本编码

基于GitHub项目：https://github.com/datawhalechina/llms-from-scratch-cn字节对编码(BPE)上一篇博文说到为什么GPT模型不需要[PAD]和[UNK

激进小猪1002·2025-06-08 05:53

机器学习西瓜书笔记——机器学习基本术语，模型性能指标【一】

西瓜书第一，二章笔记datawhale吃瓜教程task1学习笔记第一章第一张主要介绍了一些机器学习研究内容和基本术语，以及发展现状。基本术语由于有些术语过于基础，在此不做赘述大家可以去读西瓜书。

Code思铮·2025-05-31 19:45

给MCP加上RAG，工具准确率提升200%，起飞～

Datawhale分享作者：TiantianGan、QiyaoSun编辑：PaperAgent大型语言模型（LLMs）在有效利用越来越多的外部工具（如模型上下文协议（MCP）所定义的工具）方面存在困难，

Datawhale·2025-05-18 00:39

Datawhale PyPOTS时间序列5月第1次笔记

课程原地址：https://github.com/WenjieDu/PyPOTS（Package地址）https://github.com/WenjieDu/BrewPOTS/tree/datawhale

weixin_44811994·2025-05-15 01:42

Datawhale-llm-universe 第一章 LLM介绍打卡

第一章课程大纲：（本笔记大部分内容来自DataWhale的六月llm打卡课程，并融入了一些个人的理解以及思考）大型语言模型LLM理论简介LLM的定义和概念发展历程主要模型（如GPT-3、GPT-4、PaLM

星野yee·2025-05-15 01:11

Datawhale llm-universe Task1

课程链接:课程笔记本本节内容主要是讲述大语言模型是什么、大语言模型的发展过程、现在常用的大语言模型第一节课比较偏概念,我的笔记以我自己的个人理解为主。大语言模型的奠基之作:2017年google发表AttentionisAllyouneed.这篇文章提出了transformer结构,从此llm的发展就像雨后春笋.一个重要的现象:随着模型参数量的增大,模型会出现一种类似于"自我思考自我联想"的“涌现

programer_cao·2025-05-15 01:10

【datawhale组队学习】coze-ai-assistant TASK01

文章目录AI工作流CozeAgentAI工作流工作流具备了：大量的重复性任务（如内容创作、编辑、发布）和固定的业务流程（如策划、创作、审核、发布）。通过AI来标准化这些步骤，并利用工具自动执行这些流程，就可以大大提高效率。Coze智能体：基于对话的AI项目，它通过对话方式接收用户的输入，由大模型自动调用插件或工作流等方式执行用户指定的业务流程，并生成最终的回复。应用：应用是指利用大模型技术开发的应

speop·2025-05-14 09:28

DataWhale AI春训营-AI+生命科学学习笔记

赛题的核心是IDRs预测问题，需要参赛者基于给定的蛋白质序列信息，准确预测蛋白质的内在无序区域。数据标注方式：序列标注：参赛者需要对每个氨基酸位置进行标注，判断该位置是否属于无序区域。标注方式：使用二进制标签（0或1）表示每个氨基酸是否属于无序区域。例如：{'id':'disordered_protein_0','sequence':'MKQFGLAAFDELKDGKYNDVNKTILEKQSVE

Mmiraclez·2025-05-07 23:15

Datawhale AI春训营 | AI+蛋白质固有无序区域预测（蛋白质预测）

DatawhaleAI春训营|AI+蛋白质固有无序区域预测（蛋白质预测）赛题背景在生物体系中，蛋白质并非总是维持着固定的刚性结构，相当一部分蛋白质或其部分区域处于无序状态，即所谓的内在无序蛋白（IDPs

神奇鱼同学·2025-05-07 23:13

Datawhale AI春训营--蛋白质预测（AI+生命科学）

基础解题方案方法1：词向量+机器学习步骤1：训练词向量使用gensim库的Word2Vec模型对氨基酸序列进行词向量训练。将每个蛋白质序列转换为由空格分隔的字符串（’'.join(x[“sequence”])），形成句子列表。vector_size=100：词向量的维度为100。min_count=1：至少出现一次的单词才会被考虑。训练完成后，model_w2v包含了每个氨基酸的词向量表示。dat

2 0 1 2·2025-05-07 23:43

DatawhaleAI春训营-蛋白质预测（AI+生命科学）初次体验和学习笔记

Datawhale官方链接：https://www.datawhale.cn/home首先先感谢Datawhale提供的AI春训营让我能在枯燥的本科大学生活中也能接触先进的AI知识，感谢你们的开源精神（

fresh416·2025-05-07 23:13

李宏毅《深度学习》课程笔记第一章：机器学习核心概念解析

本文为参与DataWhale组队学习期间，对李宏毅教授《深度学习》课程第一章"机器学习介绍"的学习总结。内容基于个人理解整理，主要面向机器学习初学者，重点梳理核心概念与技术框架。

*花ㄜ漾_._·2025-05-05 17:38

动手学大模型应用全栈开发（Datawhale X 魔搭 AI夏令营）

DatawhaleX魔搭第四期AI夏令营文章目录前言一、学习内容提要二、什么是大模型三、小白零基础10分钟速通指南1.开通阿里云PAI-DSW试用2.在魔塔社区授权3.在魔塔社区创建PAI实例4.10分钟体验一站式

Kristina_code·2025-04-29 20:01

《解锁LLMs from scratch：开启大语言模型的探索之旅》

《解锁LLMsfromscratch：开启大语言模型的探索之旅》GitHub-datawhalechina/llms-from-scratch-cn:仅需Python基础，从0构建大语言模型；从0逐步构建

空云风语·2025-04-28 03:47

大模型之模型架构（Datawhale一起学）

大模型之模型架构/新的模型架构篇（Datawhale一起学）注意：文章内容参考了斯坦福CS324-LargeLanguageModels课程，以及Datawhale的一起学相关课程中的内容。

拨开自己的理想三旬·2025-04-25 05:34

【Datawhale AI春训营】RNA结构预测（AI+创新药）Task 学习笔记

赛题介绍：RNA(核糖核酸)在细胞生命活动中扮演着至关重要的角色，从基因表达调控到催化生化反应，都离不开RNA的参与。RNA的功能很大程度上取决于其三维(3D)结构。理解RNA的结构与功能之间的关系，是生物学和生物技术领域的核心挑战之一。RNA折叠是指RNA序列自发形成特定三维结构的过程。而RNA逆折叠则是一个更具挑战性的问题，即基于给定的RNA三维骨架结构设计出能够折叠成这种结构的RNA序列。本

m0_57932792·2025-04-24 06:00

【2025】Datawhale AI春训营-蛋白质预测（AI+生命科学）-Task2笔记

【2025】DatawhaleAI春训营-蛋白质预测（AI+生命科学）-Task2笔记本文对Task2使用的代码进行理解。

Mocode·2025-04-24 06:29

Datawhale Al春训营 --RNA结构预测（AI+创新药）代码记录

#模型训练与验证classRNADataset(torch.utils.data.Dataset):def__init__(self,coords_dir,seqs_dir):self.samples=[]#读取所有数据并转换为图forfnameinos.listdir(coords_dir):#加载坐标数据coord=np.load(os.path.join(coords_dir,fname))

2 0 1 2·2025-04-24 06:29

Sheila Teo分享GPT-4提示工程竞赛胜利经验，DynamiCrafter工具实现图转超逼真动态视频

一支烟花官网：https://agifun.love智源社区我是如何赢得GPT-4提示工程大赛冠军的Datawhale干货作者：SheilaTeo，来源：机器之心去年11月8日，新加坡政府科技局（GovTech

一支烟一朵花·2025-04-21 11:08

第二届世界科学智能大赛社会科学赛道：市场博弈和价格预测 # Datawhale AI 夏令营 # task1

这是Datawhale2024暑期夏令营的第三期，该期夏令营同样依托于AI竞赛，DW选择了由上海科学智能研究院、复旦大学联合阿里云在上智院·天池平台发布的“第二届世界科学智能大赛”。

Lu•R²·2025-04-21 05:04

第二届世界科学智能大赛逻辑推理赛道：复杂推理能力评估 #大模型技术之逻辑推理方向 #Datawhale #夏令营

赛事链接：http://competition.sais.com.cn/competitionDetail/532231/format往期入门文档Docs本期入门文档Datawhale在跑完baseline

SimpleLifeT_T·2025-04-21 05:34

讯飞星辰MaaS大模型

ch=maas-dw-mxb第二步：下载数据集https://github.com/datawhalechina/self-llm/blob/master/dataset/huanhuan.json第三步

韶博雅·2025-04-20 21:39

Datawhale AI春训营：高级气象预测技术

学习笔记：高级气象预测技术（基于树模型与深度学习）引言本教程在基线方案的基础上，进一步探讨了用于气象预测竞赛的更高级技术，特别侧重于基于树的模型（如LightGBM）和深度学习模型。回顾：通用竞赛流程即使采用高级方法，基本步骤仍然至关重要：数据探索分析(EDA):理解数据模式、变量关系和潜在问题。(参考数据分析常用方法汇总)数据清洗:处理缺失值、异常值，确保数据质量。(参考数据清洗常用方法汇总)特

vyniu·2025-04-20 11:39

推荐频道