018-时间序列组件 - BML 全功能AI开发平台 | 百度智能云文档
范围：[1, inf) 1 字段参数 参数名称 是否必选 参数描述 默认值 排序列 是 时间序列依据此列由小到大排序，一般选择日期列且不能有重复值 无 数值列 是 时间序列的数值列，步长与结果数据集的行数一致，该列必须为数值 无 计算逻辑 使用示例 构建算子结构，配置参数，完成训练。
宏定义变量 - 百度数据可视化Sugar BI | 百度智能云文档
嵌入到 SQL 模型的 SQL 语句中，这样可以通过一条 SQL 语句实现多个查询，例如您需要从不同的表中使用同一条 SQL 逻辑查询某个字段，使用宏定义可以避免写多条 SQL。 嵌入到数据模型的计算字段中，在一个计算字段中编辑一条 SQL 表达式，可以实现多个 SQL 查询逻辑，例如您需要乘一个倍数，使用宏定义可以通过一个计算字段实现多种倍数求和。 在过滤条件中关联宏定义变量，与图表联动。
功能发布记录（2024年及以前） - 百度千帆·数据智能平台DataBuilder | 百度智能云文档
2022-12 数据湖计算支持Hudi，可使用计算引擎Spark、Flink、Trino对Hudi进行读写计算。 数据湖选型支持Hive，增加开启数据湖元数据功能，支持对Hive元数据的管理、授权。 新增规范设计模块，支持通过主题设计、数仓规划进行数据中台架构设计。 引入维度建模理论，支持构建维度表和事实表，并设置表间的关联关系。 支持数据模型的发布、修订、废弃、删除等管理操作。
[AI行业案例]-NLP助力车企提升对用户的“洞察力”
解决方案 通过接入百度自然语言处理技术的词向量表示及依存句法分析技术，满足了从爱贝叶斯业务平台抓取大数据信息进行识别的业务场景： 获取词语的向量表示及句法结构后，该平台实现了对用户意图的精准捕获和理解，还可通过对文本进行计算，解读并呈现用户的反馈： 根据对用户反馈信息的理解和分类，平台还可进一步生成汽车用户购买决策的关键因素分析报告及满意度指数的统计，为车企提供了及时有效的市场反馈信息： 相关案例
支持的插件列表 - 云数据库RDS | 百度智能云文档
enum类型实现B树等价行为的GIN操作符类示例 btree_gist 1.7 1.7 1.6 1.5 1.5 1.5 1.5 提供一个为多种数据类型和所有enum类型实现B树等价行为的GiST操作符类示例 citext 1.6 1.6 1.6 1.6 1.6 1.5 1.4 提供一种大小写不敏感的字符串类型 cube 1.5 1.5 1.5 1.4 1.4 1.4 1.2 提供一种数据类型来表示多维立方体
图文个性化推荐案例 - 智能推荐引擎AI_REC | 百度智能云文档
图文个性化推荐案例 一、业务背景 某生活APP是以提供本地生活服务为主的一站式本地生活服务平台，覆盖餐饮、出行、公共服务、娱乐、购物、健康等生态，提供点餐、买单、外卖、等服务，以美食餐饮为主场景，为了提高APP商业转化和用户活跃率，需要以种草内容推荐带动各个板块业务目标。本案例主要介绍了使用智能推荐引擎实现图文类物料的个性化场景推荐。
为什么SFT后LLM模型的性能变得更好了？ 千帆社区
大模型开发 / 技术交流 SFT LLM 2023.10.01 13070 看过 有监督微调（Supervised Fine Tuning，SFT）是一种常见的方法，用于改进预训练模型的性能。 这种方法的基本思想是利用标注的数据来调整模型的参数，使其更好地适应特定的任务。 SFT能提升性能吗？
基于百度千帆大模型平台进行大模型应用开发入门（一） 千帆社区
通常，该方法借助于已有的训练样本和类别的语义表示来构建一个学习模型，该模型可以根据新样本的语义信息进行分类。 零样本学习在面对新的、未知类别的分类问题时具有很大的潜力，特别是在图像识别、自然语言处理和语音处理等领域。通过利用辅助信息，零样本学习提供了一种解决复杂问题的方式，即使在缺乏大规模标记数据的情况下也能实现良好的分类性能。
基于百度千帆大模型平台进行大模型应用开发入门（一） 千帆社区
通常，该方法借助于已有的训练样本和类别的语义表示来构建一个学习模型，该模型可以根据新样本的语义信息进行分类。 零样本学习在面对新的、未知类别的分类问题时具有很大的潜力，特别是在图像识别、自然语言处理和语音处理等领域。通过利用辅助信息，零样本学习提供了一种解决复杂问题的方式，即使在缺乏大规模标记数据的情况下也能实现良好的分类性能。
创建KTO任务 - 百度千帆·大模型服务及Agent开发平台
模型基于海量高质量数据训练，具有更强的文本理解、内容创作、对话问答等能力。 训练方法 简单描述 全量更新 在训练过程中对大模型的全部参数进行更新，可以充分利用训练数据，有潜力在新任务上达到更好的性能。 LoRA 训练过程中只更新低秩部分的参数，需要的计算资源更少，训练过程更快，可以减少过拟合的风险。
