Semantic Regexes: Auto-Interpreting LLM Features with a Structured Language
自动可解释性旨在将大型语言模型 (LLM) 特征转换为人类可理解的描述。然而，这些自然语言特征描述往往模糊、不一致，需要手动重新标记。作为回应，我们引入了语义正则表达式，即 LLM 功能的结构化语言描述。通过将捕获语言和语义特征模式的原语与上下文化、组合和量化的修饰符相结合，语义正则表达式可以生成精确且富有表现力的特征描述。跨越定量基准和定性......
Job for 2027: Senior Director of Million-Dollar Regexes
以下文章最初发表在 Medium 上，经作者许可在此重新发布。别误会我的意思，我整夜都在使用这些工具。但我也感觉到我们正在经历一场昂贵的宿醉。前几天，一位同事告诉我一项新提案，每天传送一百万份文档 [...]
The Machine Learning “Advent Calendar” Day 15: SVM in Excel
本文不是从边距和几何形状开始，而是从熟悉的模型逐步构建支持向量机。通过改变损失函数并重新使用正则化，SVM 自然地表现为经过优化训练的线性分类器。这种观点将逻辑回归、SVM 和其他线性模型统一到一个单一的、连贯的框架中。机器学习“降临日历”第 15 天：Excel 中的 SVM 帖子首先出现在走向数据科学上。
The Machine Learning “Advent Calendar” Day 13: LASSO and Ridge Regression in Excel
岭回归和套索回归通常被认为是线性回归的更复杂版本。事实上，预测模型保持完全相同。改变的是训练目标。通过对系数添加惩罚，正则化迫使模型选择更稳定的解决方案，尤其是当特征相关时。在 Excel 中逐步实现 Ridge 和 Lasso 使这个想法变得明确：正则化不会增加复杂性，它会增加偏好。机器学习“降临日历”第 13 天：Excel 中的 LASSO 和 Ridge 回归一文首先出现在《走向数据科学》上。
The Machine Learning “Advent Calendar” Day 11: Linear Regression in Excel
线性回归看似简单，但却介绍了现代机器学习的核心思想：损失函数、优化、梯度、缩放和解释。在本文中，我们在 Excel 中重建线性回归，将闭式解与梯度下降进行比较，看看系数如何一步步演化。这个基础自然会导致正则化、核、分类和对偶视图。线性回归不仅仅是一条直线，而是我们接下来将在降临节中探索的许多模型的起点。日历。机器学习“降临日历”第 11 天：Excel 中的线性回归一文首先出现在走向数据科学上。
My favorite Linux search tools make it easier to find your files - no command line needed
当您可以通过点击来查找所需的文件和文件夹时，为什么还要费心复杂的正则表达式呢？
