课程简介

大模型出现后，机器学习的定位有所变化。除了NLP场景外，chatGPT也深刻地影响了机器学习的其他场景。本课程将探讨机器学习在GPT时代下的挑战与变化，进而也会探讨chatGPT这样的大模型与机器学习类的小模型如何协同、满足业务需求的实践方法。
本课程将会介绍机器学习与chtaGPT的基础概念与实际能力，两者如何协同融合，以及如何在金融行业上应用。

目标收益

培训对象

课程内容

1. 机器学习概论
a. 机器学习简介
b. 机器学习经典应用回顾
i. 分类任务：欺诈检测、个性化推荐、流失分析
ii. 聚类任务：用户人群聚合、客户反馈聚合
c. 机器学习的现实挑战
2. GPT与自然语言处理
a. 基与Bert的NLP应用
b. 大语言模型统一NLP任务
c. GPT当前的实际应用
d. GPT赋能MachineLearning的能力边界
3. GPT赋能MachineLearning能力优化方法
a. 基于结构化prompt
b. 基于CoT的prompt优化
c. 基于RAG的领域能力提升
d. 基于functionCall的专业能力提升
e. 基于ReAct框架协同推理与行动
f. 基于Agent机制强化能力
4. GPT时代下的机器学习实践项目流
a. 起始：信息检索与脑暴
b. 执行：问题定义与模型选择
c. 实现：模型实现与代码生成
d. 数据准备：数据收集与探索分析
e. 数据增强：数据预处理与补全
f. 特征工程：特征枚举与交叉
g. 模型验证：模型超参数调优
h. 模型部署：建议部署环境与监控线上情况
i. 业务落地：模型解释与效果评估
j. 总结：项目报告生成
5. 机器学习与chatGPT能力结合
a. 挑战：全自动机器学习的回顾与可能性
b. 辅助提效：基于chatGPT的交互式机器学习环境搭建
c. 全监管模式：基于Agent机制下的chatGPT调度机器学习全流程探索
6. 实践挑战
a. 机器学习场景落地改造
b. 使用chatGPT协助的数据风险
c. 大小模型嵌套的整体框架
7. 总结与QA
a. 课程回顾
b. 未来展望
c. 开放问答与讨论