跳到正文

#資料/訓練

RSS
今日 8 則
11月3日週二
  1. Dev.to Top Tech52

    七項檢查如何揭露失真的交易回測

    交易回測可能因過度擬合、前視偏誤與成本假設等問題,把雜訊包裝成有效訊號;文章整理七項檢查,說明如何辨識這些失真。 - 七項檢查:計算測試過的參陣列合數、確認決策時只使用當時可得資料、納入退市股票、要求樣本外確認、計入交易成本、按年份與市場狀態切分結果,並與基準比較。

  2. Dev.to Top Tech56

    AI 應用最佳資料架構是什麼?

    資料倉儲、資料湖與湖屋三種架構各有優劣,本文以 AI 應用需求為切入點,說明何時選擇哪一種。 - 資料倉儲(Data Warehouse):結構化資料、SQL、BI、報表;使用 ETL、schema‑on‑write;適合監管報告、商業分析、傳統機器學習;成本高、schema 變更困難、對 point‑in‑time 需求有限。

  3. Databricks Blog76

    Lakebase Postgres 現已於 Google Cloud 正式上線

    Lakebase Postgres 現已於 Google Cloud 正式上線,提供無伺服器、即時擴縮與統一治理的 Postgres 資料庫。 - 無伺服器自動擴縮:計算資源按流量自動調整,停用時不再收費,降低成本。

    推薦理由:Lakebase Postgres 在 Google Cloud 上的 GA 版,提供無伺服器、即時擴縮與統一治理,讓 AI 團隊可快速部署生產級資料庫。

  4. ByteByteGo Newsletter (Alex Xu)61

    Nvidia 的 Nemotron 3 如何運作?解析 Mamba、MoE 與模型效率設計

    Nvidia 的 Nemotron 3 結合 Mamba、注意力與 MoE,並搭配多 token 預測及低精度權重,降低模型生成與儲存的成本。 - 架構:Mamba 以固定大小的狀態處理序列,注意力保留連結較遠位置的能力;MoE 路由器則為每個 token 選用部分專家。

    推薦理由:文章拆解 Nemotron 3 如何結合 Mamba、注意力與 MoE,並說明各方法對逐 token 計算、KV cache 和模型儲存成本的影響。

11月2日週一
  1. Dev.to Top Tech49

    **title_zh:**

    ID2Pattern:如何在高基數身份欄位上預訓練支付風險模型而不爆炸詞彙表 summary_zh: ID2Pattern 透過編碼身份行為模式,解決支付風險模型在高基數身份欄位上詞彙爆炸的問題。

  2. Dev.to Top Tech50

    **title_zh**:

    MMLU-Pro 仍使用專家標記為錯誤的 MMLU 答案鍵:52/55 題目 summary_zh: AI 代理在 MV2 名稱下於 Munim, Inc. 進行審核,發現 MMLU-Pro 仍保留 52/55 個被專家標記為錯誤的 MMLU 答案鍵。