machine-learning-list

项目介绍：机器学习阅读清单

项目目的

该项目旨在帮助Elicit的新员工培养机器学习的背景知识，特别是熟悉语言模型的相关内容。本项目注重于选择对生产环境中机器学习部署和长期扩展具有重要意义的论文和技术。除此之外，如果你还没有在Elicit工作，该公司正在招聘机器学习和软件工程师。

阅读指南

建议的阅读顺序如下：

1. 首先阅读所有主题的“第1层”内容
2. 其次阅读所有主题的“第2层”内容
3. 以此类推

自2024年4月1日之后，还会有新的内容添加。

目录结构

本项目的内容根据不同的主题进行划分，便于读者系统性地学习机器学习的各个方面。以下是主要的主题分类：

基础知识

• 机器学习入门：包括神经网络基础和梯度下降等基本概念解析。
• Transformer模型：了解诸如GPT之类模型的架构和注意力机制。
• 关键基础模型架构：关注像GPT-2、GPT-3等重要模型，并探讨其特点。
• 训练和微调：涉及语言模型的训练技术和如何利用人类反馈进行调试的策略。

推理和运行时策略

• 上下文内推理：关于如何在大型语言模型中进行零样本推理等。
• 任务分解：如如何通过分解任务来提高模型处理复杂问题的能力。
• 辩论：探索机器学习中辩论以提高AI安全性的方法。
• 工具使用和支撑：评估后期训练增强技术的影响。
• 诚实性、事实性与认识论：如何确保AI输出的诚信与可靠性。

应用领域

• 科学、预测、搜索和排序：分别探讨AI在这些领域的实际应用和发展。

实践中的机器学习

• 生产部署：介绍如何在实际项目中部署机器学习模型。
• 基准测试：提供一组评估机器学习性能的标准和工具。
• 数据集：强调使用的大型数据集，如Common Crawl和The Pile。

高级主题

• 世界模型与因果关系：研究大语言模型如何处理因果关系。
• 规划：涉及模型在复杂环境下的决策能力。
• 不确定性、校准与主动学习：探讨模型怎么精确定义和处理不确定性。
• 可解释性与模型编辑：强调模型透明度与在实际应用中的编辑能力。
• 强化学习：例如AlphaZero以及其他经典强化学习案例。

全局视角

• AI扩展：分析神经语言模型的扩展规律。
• AI安全：研究如何在AI发展中确保其安全性以及应对潜在风险的策略。

项目中这些分层内容结构细化，便于新学者循序渐进地掌握机器学习所需的知识，同时也为他们提供了一个全面了解基础与前沿技术的平台。通过这些资料，参与者能够更好地理解和利用机器学习技术在Elicit及其相关领域中的应用。