#jupyter_notebook
Retrieval Augmented Generation (RAG) helps large language models (LLMs) answer questions using up-to-date or private information by connecting them to external data sources, unlike fine-tuning which retrains the model on specific data. RAG is useful when you need current, dynamic information without costly retraining, making it ideal for tasks like customer support or knowledge management. Fine-tuning is better for deep expertise in a specialized field but requires more data and effort. Using RAG lets you get accurate, relevant answers quickly by combining the model’s language skills with fresh, specific data, improving usefulness and reliability.
https://github.com/langchain-ai/rag-from-scratch
#week
Доброго утра друзья.
Начинается важная неделя по макро-показателям.
Видео обзор запушу позже если успею 😎
а пока тезисно по моим ожиданиям:
✅показатели по инфляции в США укажут на замедление инфляции.
✅Потреб настроение улучшится, в следствии падения цен на бензин и отскока в ряде голубых фишек.
✅Рост ВВП Китая будет выше рыночного ожидания в 1%
В следствии выше перечисленных ожиданий покую:
✅SP500 с текущих уровней 3766-75 оставляю маневр добавки по 3755. Первые цели роста 4050/60
В случае снижения ниже 3735 буду пересматривать цели и уменьшать объемы покупок.
✅Покупаю Salana уровни 35/36, далее добавлять буду 37,38,39,40 цели 44 первая.
В случае снижения ниже 33,5 буду снижать объемы покупок.
не является инвестиционной рекомендацией.