实验一：基于机器学习的波士顿房价预测这是项目的入门部分，目标是使用经典的波士顿房价数据集，训练模型并分析结果背后的社会经济现象。你将学到：模型应用：实践并对比四种主流回归模型：普通最小二乘法（OLS）、支持向量回归（SVR）、随机森林（Random Forest）和XGBoost。性能评估：使用均方根误差（RMSE）和R²分数等指标来客观评估和比较不同模型的预测效果。特征解读：通过相关性矩阵和特征

Retrieval-Augmented Generation（RAG）正逐渐成为大模型在检索问答、知识库构建等场景中的“黄金标准”。在这一框架中，，二者相辅相成，决定了整个系统的最终回答质量。但是，如何在实际工程中构建一个高效、准确的RAG流程？阿里巴巴通义千问团队在今年最新推出的，为开发者提供了从的完整解决方案。而在和鲸社区，创作者 @云逸～ 分享的，正好为我们揭开了这套方案的落地细节。项目直通

Retrieval-Augmented Generation（RAG）正逐渐成为大模型在检索问答、知识库构建等场景中的“黄金标准”。在这一框架中，，二者相辅相成，决定了整个系统的最终回答质量。但是，如何在实际工程中构建一个高效、准确的RAG流程？阿里巴巴通义千问团队在今年最新推出的，为开发者提供了从的完整解决方案。而在和鲸社区，创作者 @云逸～ 分享的，正好为我们揭开了这套方案的落地细节。项目直通

这个项目旨在演示如何利用Unsloth框架在低显存条件下高效训练推理增强大模型。项目基于同类架构，结合LoRA微调4bit量化与GRPO强化学习，实现从数据加载、模型训练到推理部署的完整流程。DeepSeek R1系列训练流程图，源自：Elwin Wong训练数据以GSM8K数学推理集为例，并设计多维度奖励函数，既评估答案正确性，也衡量推理链完整度与格式规范性。该方案不仅显著降低了硬件门槛（单卡8

传统RAG（检索增强生成）依赖向量化检索，流程复杂且资源消耗大。而Agentic RAG提供了一种更轻量的替代方案——无需向量化，仅需结构化内存数据库即可实现高效检索+生成。<图片源于：LLM大模型>在传统RAG流程的基础上加入了一个重要角色——。它不仅能检索，还能根据任务动态选择工具、拆解问题、调用外部API，甚至多轮迭代优化结果。这意味着它可以：不依赖大型向量数据库根据不同任务，走不同的推理路

项目在核心逻辑中提供AI策略调用接口（如get_ai_move()），当前支持Actor-Critic与随机算法的切换。开发者可通过修改该函数接入自定义模型，便于进行算法对比与策略调试等扩展实验。如果你正想找一个能跑、能学、能改的强化学习实战项目，不妨fork下来试试。

在大模型落地的众多路径中，RAG（检索增强生成）是几乎“最值得掌握”的一项技术。它将知识库与大模型结合，让模型不仅“知道”，还能“答得准、说得清”。在前两期课程中，我们基于Dify平台完成了RAG系统的快速搭建。适合初学者理解核心概念，快速体验模型效果（往期课程见文末）。但平台封装程度高，细节难以修改，也难以服务真实业务。本期课程《借助RAG知识库优化电商智能问答》，我们。不只是搭出来，而是理解每

职场人听到“周报”“日报”已经PTSD了打开BI工具，登录拉数、筛选维度、复制粘贴，还得凑字凑洞察——一不小心就变成了“图表搬运工”。带着这个思考，和鲸社区联合视源股份集团数据科学方向研究员 士心 推出动手搭建周报助手实战课程，拆解如何利用AI编排工具（ModelWhale），，并形成两个典型的数据分析应用：数据报告-周报、数据报告-全局。

2025年台风季，“竹节草”（Tropical Storm Bamboo Grass）的路径和强度变化牵动人心。这个由越南命名的台风，在7月下旬生成后，先后登陆菲律宾和中国浙江、上海等地，其螺旋结构清晰，并与“范斯高”“罗莎”形成罕见的“三台风”共舞现象。尽管“竹节草”个头不大，但其带来的强降雨和风暴潮仍造成菲律宾超过600万人受灾，农业损失高达7.9亿比索。图片源自：台风路径。