采用Ai与易经预测结合！未来玄学可期！

梅花小孩

@梅花小孩金融易学 你把易经和预测chatgtp结合起来 方便
你把你的预测方式直接投喂给人工智能，然后不断的调试。然后，你到时候起卦的话，让人工智能一起一分析，你这边儿就能省下好多事儿

梅花小孩

投喂AI智能通常是指通过提供大量的数据和信息来训练和优化AI模型，以提升其性能和准确性。以下是一些投喂AI模型的基本步骤：

1. 数据收集：收集大量相关的、高质量的数据。这些数据可以来自多种来源，包括网络、传感器、用户输入等。

2. 数据清洗：确保数据的准确性和一致性。清除噪声数据、异常值和重复数据，填补缺失值。

3. 数据标注：对于监督学习模型，需要对数据进行标注。标注可以是手动的，也可以使用自动化工具。

4. 特征工程：选择和设计能够代表数据特征的信息。特征工程可以显著提高模型的表现。

5. 数据预处理：标准化、归一化或进行其他的转换，以提高数据的使用效率。例如，将文字数据转换为数值格式，通过词嵌入技术（如Word2Vec）进行处理。

6. 模型训练：使用预处理好的数据训练AI模型，选择合适的算法和架构，根据需要调整模型参数。

7. 验证和测试：使用独立的数据集验证和测试模型的性能，确保其准确性和鲁棒性。

8. 持续迭代：根据模型的表现不断优化，必要时收集新的数据进行重新训练。

这些步骤可以根据具体的AI应用场景进行调整。若某个步骤涉及复杂技术，通常需要专业知识或咨询AI专家来完成。

梅花小孩

感觉就是众生业力的模型

梅花小孩

野鹤老人 发表于 2025-1-14 01:36
想要支持一下，但又觉得如果全靠AI有偷懒或责任推卸的嫌疑

业力显化，随缘度化

梅花小孩

行程 发表于 2025-1-14 09:52
奇技淫巧，没什么用 易学这东西有真有假 资料太杂直接把ai的资料库给污染了。作用不会大。 ...

神通难敌业力，主要是预测师的人脑也会被业力干扰，除非精进佛道修行！

梅花小孩

马化龙 发表于 2025-1-15 18:34
AI并非万能，不要异想天开，如果AI有如此神奇之功能，岂不能提前预测各种彩票的开奖号了？ ...

具体数字不可能的，因为大道有遮蔽，连通灵鬼神附体都不可能知道太仔细

梅花小孩

马化龙 发表于 2025-1-16 07:54
我曾经用AI提问，试问能不能用周易预测彩票的开奖号，其回答无能为力，当代用周易研究的课题还是空白，无人 ...

你也是空了吹，否则也不会到处混论坛了，你那个也是个概率问题，只不过属于经验概率，和AI的数据概率不可同日耳语，因为人脑固然有灵机一现，也存在鬼使神差，都是业力驱动的俗世智慧而已！

梅花小孩

梅花小孩

采用Ai与易经预测结合！未来玄学可期！可以宣传下，如果有国外风投有兴趣搞这个项目，应该不错的，这和量化交易是阴阳之道啊！如果能在国外火起来，可以倒逼中国社会认可这个玩意！

梅花小孩

三种有效喂食AI大模型的方法
大家都知道，AI的性能很大程度上取决于你给它喂的数据质量和方式。今天我就来聊聊三种主要的喂数据方法，看看它们的优缺点和适用场景。
方法一：提示词法 📜
这个方法超级简单：你只需要给大模型塞一堆提示词文本，然后让它自己推理生成答案。
优点：
操作简单：直接给提示词，模型自己搞定。
灵活性强：提示词可以随时换，适应各种场景。
缺点：
长度限制：提示词不能太长，否则处理不了上下文。
Token消耗快：长提示词会消耗大量token，影响生成速度。
固定信息：依赖固定提示词，不能应对动态变化的信息需求。
适用场景：
普通任务：简单的问答、信息提取等。
方法二：RAG（检索增强生成） 🔍
这个方法稍微复杂一点，但它能帮你生成更准确的信息。
流程：
把提示词转换成向量数据。
把一堆文本切割成片段，存入向量库。
找出相关片段，转回文本。
把找到的文本和提示词组合成新的提示词。
让大模型推理生成答案。
优点：
减少幻觉：生成的文本更准确，不乱编。
知识更新快：数据库和检索算法更新后，信息也能及时更新。
缺点：
依赖数据质量：生成效果取决于数据库和检索算法的质量。
复杂度高：实现起来有点复杂，需要专业知识。
适用场景：
需要高质量和最新信息的任务：AI辅助写作、智能搜索等。
方法三：微调 🔧
这个方法比较适合那些需要特定领域知识的场景。
流程：
准备一堆特定格式的文本。
把文本转换成向量输入模型。
训练模型，调整参数固定。
让模型推理生成答案。
优点：
掌握特定领域知识：模型通过训练能掌握特定领域的知识，生成效果更好。
速度快：因为模型已经过特定训练，生成速度更快。
缺点：
训练成本高：需要大量计算资源和时间。
知识更新难：模型一旦训练完毕，更新知识需要重新微调。
适用场景：
特定领域任务：法律、医学等需要专业知识的场景。
总结 📝
提示词法适合普通任务，RAG适合需要高质量和最新信息的任务，而微调则适合需要深度领域知识的任务。具体选择哪种方法，还是要看你的具体需求啦！