用途:为 NLP、计算机视觉和时间序列三类领域任务提供机器学习专家式指导,覆盖模型选型与实现示例。
主要能力: NLP 支持文本分类(情感、主题、意图)、命名实体识别、文本生成、句子/文档嵌入。模型按数据量选择:小于 1 万条用 DistilBERT,1 万至 10 万条用 BERT-base、RoBERTa,超过 10 万条用 RoBERTa-large、DeBERTa。示例基于 transformers 的 pipeline,如 pipeline("sentiment-analysis", model="distilbert-base-uncased-finetuned-sst-2-english") 和 pipeline("ner", model="dbmdz/bert-large-cased-finetuned-conll03-english")。 计算机视觉支持图像分类、目标检测、语义分割、图像生成。分类模型包括 ResNet、EfficientNet、ViT;检测包括 YOLOv8、Faster R-CNN、RetinaNet;分割包括 U-Net、DeepLabV3、SegFormer。示例使用 torchvision 的 resnet50 与 ultralytics 的 YOLO('yolov8n.pt')。 时间序列支持预测、异常检测、分类。统计模型为 ARIMA、SARIMA、ETS,机器学习为 Prophet、带滞后特征的 LightGBM,深度学习为 LSTM、Transformer、N-BEATS。示例使用 Prophet 与 statsmodels 的 ARIMA。
使用方式:按任务与数据规模选用对应模型,参考资料中代码片段调用。资料给出分块规则:大型领域流水线 800 行以上时,每条响应只生成一个组件。
适用场景:文本分类与情感分析、命名实体识别、聊天机器人;图像分类、目标检测、分割;时间序列预测、异常检测与模式识别。
限制:资料未说明该技能的具体调用接口、安装方式、版本依赖、收费与平台支持,这些信息暂未提供。