AI思维导图

由训练资料中学到或建立一个模式（函数 / learning model），并依此模式推测新的实例。其中，训练资料是由输入物件（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称作分类）。
通俗来讲，监督学习就是在观察完一些事先标记过的训练范例（输入和预期输出）后，去预测这个函数对任何可能出现的输入所对应的输出。

没有给定事先标记过的训练范例，自动对输入的资料进行分类或分群。也就是根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题

在训练时使用少量的有标签数据和大量的无标签数据。介于无监督学习（训练数据全部无标签）和有监督学习（训练数据全部有标签）之间。半监督学习旨在缓解训练数据中有标签数据有限的问题。

在自然语言处理中，Transform可以指文本的预处理和特征提取。它包括词汇化（Tokenization）、停用词去除、词干提取（Stemming）或词形还原（Lemmatization）、标点符号去除、大小写转换等操作。这些变换可以使文本数据更适合用于机器学习或深度学习模型的训练和处理。

大语言模型的目标是通过大规模训练数据和深层网络结构，学习到更准确和更丰富的语言表示。这些模型可以通过大量的文本数据进行预训练，例如从互联网上抓取的文本、书籍、维基百科等等。预训练的目的是让模型尽可能地学习到语言的统计规律、语义关系和语境信息。

GPT是"Generative Pre-trained Transformer"的缩写，是一种基于Transformer模型的生成式预训练语言模型。GPT模型的核心思想是通过在大规模的语料库上进行无监督学习来预训练模型，然后通过微调或迁移学习的方式在特定任务上进行有监督学习或生成。

通过提供prompt，用户可以明确指定对话的主题、期望的回答方式或对上下文的特定要求。提示的内容可以根据具体需求而定，可以是简短的一句话，也可以是包含多轮对话历史的完整对话文本。
对于对话模型，prompt通常包含与之前的对话相关的上下文信息，以帮助模型理解用户的意图和上下文。例如，可以提供之前的问题或对话片段作为prompt，以便模型能够更好地回应或建立连贯的对话。

AI Agent利用GPT模型的强大语言理解和生成能力，通过对输入进行分析、理解上下文、推理和生成合适的回应来与用户进行有效的对话。它可以根据用户的需求、目标和指令，进行复杂的对话交互，并提供高质量、个性化的回答。
通过AI Agent，用户可以与计算机系统进行自然语言交互，享受智能化的服务和支持。AI Agent的目标是通过模拟人类对话和交流的能力，提供个性化、灵活和有用的对话体验，以满足用户的需求。

AI Store可能提供丰富的AI Agent选择，以满足不同用户的需求和偏好。用户可以在AI Store中浏览和筛选各种AI Agent，查看其功能、评级、评价和价格等信息，以便选择最适合自己的AI Agent。
AI Store还可能提供开发者平台，供开发者发布、销售和分享自己开发的AI Agent。开发者可以在AI Store中展示自己的AI Agent，并通过销售或订阅等方式获得回报。