一、参考资料 全球智造11月：LLM（大型语言模型）在工业领域中的十个应用，英伟达AI助手设计芯片 - 知乎 二、总结 思考不够，待填
RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐 - 知乎
通过docker部署xinference，对外暴漏openai兼容的api，供外部软件使用。 硬件：GTX2080 TI 22G 模型：qwen1.5-chat-13b-qint4 + bge-base-zh-v1.5 桌面软件：Chatbox 最终实现了qwen的部署，且通过openai的标准API接口，实现了Chatbox接入了私有模型。 xinference docker-compose.yml配置： 最终效果
参考链接： https://github.com/deeplearning-ai/machine-learning-yearning-cn
一、模型库 博主整理的常见的AI模型库见下： 二、数据集 2.1 工业数据分析数据集 伺服电机数据集：https://archive.ics.uci.edu/dataset/87/servo 建筑能效优化：https://archive.ics.uci.edu/dataset/242/energy+efficiency 水质预测：https://archive.ics.uci.edu/dataset/733/water+quality+prediction-1 预测性维护数据集：https://archive.ic…
一、AutoMl与Auto-Sklearn 自动化机器学习AutoML 是机器学习中一个相对较新的领域，它主要将机器学习中所有耗时过程自动化，如数据预处理、最佳算法选择、超参数调整等，这样可节约大量时间在建立机器学习模型过程中。 Auto-Sklearn是一个开源库，用于在 Python 中执行 AutoML。它利用流行的 Scikit-Learn 机器学习库进行数据转换和机器学习算法。 Auto-Sklearn 的好处在于，除了发现为数据集执行的数据预处理和模型之外，它还能够从在类似数据集上表现良好的模型中学习，…