人工智能-機器學習(線性回歸，邏輯回歸，聚類)

人工智能概述

人工智能分為:符號學習，機器學習。
機器學習是實現人工智能的一種方法，深度學習是實現機器學習的一種技術。
機器學習：使用算法來解析數據，從中學習，然后對真實世界中是事務進行決策和預測。如垃圾郵件檢測，樓房價格預測。
深度學習：模仿人類神經網絡，建立模型，進行數據分析。如，人臉識別，語義理解，無人駕駛。

工具

Anaconda

Anaconda是一個方便的python包管理和環境管理的軟件
可以跨平臺，多python版本并存，部署方便

Jupyter Notebook

Jupyter notebook是一個開源的web應用程序，允許開發者方便的創建和共享代碼文檔
允許吧代碼寫入獨立的cell中，單獨執行。用戶可以單獨測試特定代碼塊，無需從頭開始執行代碼。

基礎工具包

Panda

強大的分析結構化數據的工具集，可用于快速實現數據導入/出，索引
www.pypandas.cn

Numpy

使用Python進行科學計算的基礎軟件包。核心：基于N維數組對象ndarray的數組運算。
www.numpy.org.cn

Matplolib

Python基礎繪圖庫，幾行代碼即可生成繪圖
www.matplotlib.org.cn

機器學習的類別

監督學習（Supervised Learning）

-訓練數據包括正確的結果

無監督學習（Unsupervised Learning）

-訓練數據不包括正確的結果

半監督學習（Semi-supervised Learning)

-訓練數據包括少量正確的結果

強化學習（Reinforcement Learning)

-根據每次結果收獲的獎懲進行學習，實現優化
在這里插入圖片描述
監督學習：線性回歸，邏輯回歸，決策樹，神經網絡，卷積神經網絡，循環神經網絡。
無監督學習：聚類算法
混合學習：監督學習+無監督學習

什么是回歸分析？

回歸分析：根據數據，確定兩種或兩種以上變量間相互依賴的定量關系
線性回歸：回歸分析中，變量與因變量存在線性關系
梯度下降法：
尋找極小值的一種方法。通過向函數上當前點對應梯度的反方向的規定步長距離點進行迭代搜索，直到在極小點收斂。
在這里插入圖片描述

Scikit-learn

Python語言中專門針對機器學習應用而發展起來的一款開源框架（算法庫），可以實現數據預處理，分類，回歸，降維，模型選擇等常用的機器學習算法
集成了機器學習中各類成熟的算法，不支持深度學習和強化學習。
https://scikit-learn.org/stable/index.html

分類問題

分類:根據已知樣本的某些特征，判斷一個顯得樣本屬于那種已知的樣本類
使用邏輯回歸擬合數據，可以很好的完成分類任務
線性：y=ax+b
邏輯：y=1/(1+e^(-x)) sigmoid方程 通用公式：P(x)=1/(1+e^(-g(x)))
找到決策邊界（Decision Boundary）很關鍵
在這里插入圖片描述
在這里插入圖片描述
分類任務的損失函數：
在這里插入圖片描述
在這里插入圖片描述

邏輯回歸實戰

實戰1考試通過預測

在這里插入圖片描述

無監督學習

機器學習的一種方法，沒有給定先標記過的訓練示例，自動對輸入的數據進行分類或分群

聚類分析

聚類分析又稱為群分析，根據對象某些屬性的相似度，將其自動劃分為不同的類別。
應用場景：客戶劃分，基因聚類，新聞關聯

KMeans

K-均值算法：以空間中k個點為中心進行聚類，對最靠近他們的對象歸類，是聚類算法中最為基礎但也最為重要的算法。
在這里插入圖片描述
在這里插入圖片描述
算法流程：
1.選擇聚類的個數k
2.確定聚類的中心
3.根據點道聚類中心聚類確定各個點所屬類別
4.根據各個類別數據更新聚類中心
5.重復以上步驟直到收斂（中心點不再變化）
優點：
1.簡單易實現，收斂速度快
2.參數少
缺點：
1.必須設置簇的數量
2.隨機選擇初始聚類中心，結果可能缺乏一致性

KNN

K近鄰分類模型
給定一個訓練數據集，對新的輸入實例，在訓練數據集中找到與該實例最鄰近的K個實例（也就是上面所說的K個鄰居），這K個實例的多數屬于某個類，就把該輸入實例分類到這個類中
在這里插入圖片描述

Mean-shift

在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述

聚類實戰

KMeans實現聚類

模型訓練

form sklearn.cluster import KMeans
KM = KMeans(n_clusters=3,random_state=0)
KM.fit(X)

獲取中心點：

centers = KM.cluster_centers_

準確率計算：

form sklearn.metrics import accuracy_score
accuracy = accuracy_score(y,y_predict)

預測結果矯正(比如原始數據是0,1,2但是KNN預測的亂序了，如2,0,1)：

y_cal = []
for i in y_predict:if i == 0:y_cla.append(2)elif i == 1:y_cal.append(0)else:y_cal.append(1)print(y_predict, y_cal0

Meanshift實現聚類

自動計算帶寬(區域半徑)
from sklearn.cluster import MeanShift,estimate_bandwidth
#detect bandwidth
bandwidth = estimate_bandwidth(X,n_samples=500)
#X樣本數量，n_samples采樣的樣本數量
模型建立于訓練
ms = MeanShift(bandwidth=bandwidth)
ms.fit(X)

KNN實現分類

模型訓練

form sklearn.neighbors import KNeighborsClassifier
KNN = KNeighborsClassifier(n_neighbors=3)
KNN.fit(X,y)

實戰：2D數據類別劃分

1.采用Kmeans算法實現2D數據自動聚類，預測V1=80，V2=60數據類別；
2.計算預測準確率，完成結果矯正
3.采用KNN，Meanshift算法，重復步驟1-2

KMeans算法實現

#load the data
import pandas as pd
import numpy as np
data = pd.read_csv('data.csv')
data.head()

#define X and y
X = data.drop(['labels'],axis=1)
y = data.loc[:,'labels']
y.head()

pd.value_counts(y)

%matplotlib inline
from matplotlib import pyplot as plt
plt.scatter(X.loc[:,'V1'],X.loc[:'V2'])
plt.title("un-labled data")
plt.xlabel('V1')
plt.ylabel('V2')
plt.show()fig1 = plt.figure()
label0 = plt.scatter(X.loc[:,'V1'][y==0],X.loc[:'V2'][y==0])
label1 = plt.scatter(X.loc[:,'V1'][y==1],X.loc[:'V2'][y==1])
label2 = plt.scatter(X.loc[:,'V1'][y==2],X.loc[:'V2'][y==2])plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.show()

print(X.shape, y.shape)

#set the model
from sklearn.cluster import KMeans
KM = KMeans(n_cluster=3,random_sate=0)
KM.fit(X)centers = KM.cluster_centers_
fig3 = plt.figure()
label0 = plt.scatter(X.loc[:,'V1'][y==0],X.loc[:'V2'][y==0])
label1 = plt.scatter(X.loc[:,'V1'][y==1],X.loc[:'V2'][y==1])
label2 = plt.scatter(X.loc[:,'V1'][y==2],X.loc[:'V2'][y==2])plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])
plt.show()

#test data: V1=80,V2=60
y_predict_test = KM.predict([[80, 60]])
print(y_predict_test )#predict based on training data
y_predict = KM.predict(X)
print(pd.value_counts(y_predict), pd.value_counts(y))from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y,y_predict)
print(accuracy)

#visualize the data and results
fig4 = plt.subplot(121)
label0 = plt.scatter(X.loc[:,'V1'][y_predict==0],X.loc[:'V2'][y_predict==0])
label1 = plt.scatter(X.loc[:,'V1'][y_predict==1],X.loc[:'V2'][y_predict==1])
label2 = plt.scatter(X.loc[:,'V1'][y_predict==2],X.loc[:'V2'][y_predict==2])plt.title("predict data")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])fig5 = plt.subplot(122)
label0 = plt.scatter(X.loc[:,'V1'][y==0],X.loc[:'V2'][y==0])
label1 = plt.scatter(X.loc[:,'V1'][y==1],X.loc[:'V2'][y==1])
label2 = plt.scatter(X.loc[:,'V1'][y==2],X.loc[:'V2'][y==2])plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])plt.show()

在這里插入圖片描述

 #correct the resultsy_corrected = []for i in y_predict:if i == 0:y_corrected.append(1)elif i == 1:y_corrected.append(2)	else:y_corrected.append(0)	print(pd.value_counts(y_corrected), pd.value_counts(y))

  print(accuracy_score(y, y_corrected))

y_corrected = np.array(y_corrected)
print(type(y_corrected)) 
#visualize the data and results
fig6 = plt.subplot(121)
label0 = plt.scatter(X.loc[:,'V1'][y_corrected==0],X.loc[:'V2'][y_corrected==0])
label1 = plt.scatter(X.loc[:,'V1'][y_corrected==1],X.loc[:'V2'][y_corrected==1])
label2 = plt.scatter(X.loc[:,'V1'][y_corrected==2],X.loc[:'V2'][y_corrected==2])plt.title("predict data")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])fig7 = plt.subplot(122)
label0 = plt.scatter(X.loc[:,'V1'][y==0],X.loc[:'V2'][y==0])
label1 = plt.scatter(X.loc[:,'V1'][y==1],X.loc[:'V2'][y==1])
label2 = plt.scatter(X.loc[:,'V1'][y==2],X.loc[:'V2'][y==2])plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])plt.show()

KNN算法實現

查看數據

X.head()
y.head()

#establish a KNN model
from sklearn.neighbors import KNeighborsClassifier
KNN = KNeighborsClassifier(n_neighbors=3)
KNN.fit(X,y)

#predict based on the test data V1=80, V2=60
y_predict_knn_test = KNN.predict([[80, 60]])
y_predict_knn = KNN.predict(X)
print(y_predict_knn_test)
print('knn accuracy:', accuracy_score(y, y_predict_knn))

fig6 = plt.subplot(121)
label0 = plt.scatter(X.loc[:,'V1'][y_predict_knn==0],X.loc[:'V2'][y_predict_knn==0])
label1 = plt.scatter(X.loc[:,'V1'][y_predict_knn==1],X.loc[:'V2'][y_predict_knn==1])
label2 = plt.scatter(X.loc[:,'V1'][y_predict_knn==2],X.loc[:'V2'][y_predict_knn==2])plt.title("knn results")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])fig7 = plt.subplot(122)
label0 = plt.scatter(X.loc[:,'V1'][y==0],X.loc[:'V2'][y==0])
label1 = plt.scatter(X.loc[:,'V1'][y==1],X.loc[:'V2'][y==1])
label2 = plt.scatter(X.loc[:,'V1'][y==2],X.loc[:'V2'][y==2])plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])plt.show()

MeanShift

#meanshift
form sklearn.cluster import MeanShift,estimate_bandwidth
#obtain the bandwidth
bw = estimate_bandwidth(X,n_samples=500)
print(bw)

#establish the meanshift model-un-supervised model
ms = MeanShift(bandwidth=bw)
ms.fit(X)

y_predict_ms = ms.predict(X)
print(pd.value_counts(y_predict_ms), pd.value_counts(y))

fig6 = plt.subplot(121)
label0 = plt.scatter(X.loc[:,'V1'][y_predict_knn_ms==0],X.loc[:'V2'][y_predict_knn_ms==0])
label1 = plt.scatter(X.loc[:,'V1'][y_predict_knn_ms==1],X.loc[:'V2'][y_predict_knn_ms==1])
label2 = plt.scatter(X.loc[:,'V1'][y_predict_knn_ms==2],X.loc[:'V2'][y_predict_knn_ms==2])plt.title("kmeanshift results")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])fig7 = plt.subplot(122)
label0 = plt.scatter(X.loc[:,'V1'][y==0],X.loc[:'V2'][y==0])
label1 = plt.scatter(X.loc[:,'V1'][y==1],X.loc[:'V2'][y==1])
label2 = plt.scatter(X.loc[:,'V1'][y==2],X.loc[:'V2'][y==2])plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])plt.show()

 #correct the resultsy_corrected_ms = []for i in y_predict_ms:if i == 0:y_corrected_ms .append(2)elif i == 1:y_corrected_ms .append(1)	else:y_corrected_ms .append(0)	print(pd.value_counts(y_corrected_ms), pd.value_counts(y))

#convert the results to numpy array
y_corrected = np.array(y_corrected_ms)
print(type(y_corrected_ms)

fig6 = plt.subplot(121)
label0 = plt.scatter(X.loc[:,'V1'][y_predict_knn_ms==0],X.loc[:'V2'][y_predict_knn_ms==0])
label1 = plt.scatter(X.loc[:,'V1'][y_predict_knn_ms==1],X.loc[:'V2'][y_predict_knn_ms==1])
label2 = plt.scatter(X.loc[:,'V1'][y_predict_knn_ms==2],X.loc[:'V2'][y_predict_knn_ms==2])plt.title("ms correct results")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])fig7 = plt.subplot(122)
label0 = plt.scatter(X.loc[:,'V1'][y==0],X.loc[:'V2'][y==0])
label1 = plt.scatter(X.loc[:,'V1'][y==1],X.loc[:'V2'][y==1])
label2 = plt.scatter(X.loc[:,'V1'][y==2],X.loc[:'V2'][y==2])plt.title("labled data")
plt.xlabel('V1')
plt.ylabel('V2')
plt.legend((label0,label1,label2),('label0','label1','label2'))
plt.scatter(centers[:,0],centers[:,1])
plt.show()

##總結
kmeans\knn\meanshift
kmeans\meanshift: un-supervised, training data: X; kmeans: category number; meanshift: calculate the bandwidth
knn: supervised; training data: X\y

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/902229.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/902229.shtml
英文地址，請注明出處：http://en.pswp.cn/news/902229.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

FPGA學習(五)——DDS信號發生器設計

FPGA學習(五)——DDS信號發生器設計

FPGA學習(五)——DDS信號發生器設計 目錄 FPGA學習(五)——DDS信號發生器設計一、FPGA開發中常用IP核——ROM/RAM/FIFO1、ROM簡介2、ROM文件的設置（1）直接編輯法（2）用C語言等軟件生成初始化文件 3、ROM IP核配置調用 二、DDS信號發…
閱讀更多...
【Vue】從 MVC 到 MVVM：前端架構演變與 Vue 的實踐之路

【Vue】從 MVC 到 MVVM：前端架構演變與 Vue 的實踐之路

個人博客：haichenyi.com。感謝關注 一. 目錄 一–目錄二–架構模式的演變背景?三–MVC：經典的分層起點?四–MVP：面向接口的解耦嘗試?五–MVVM：數據驅動的終極形態??六–Vue：MVVM 的現代化實踐??? 二. 架構模…
閱讀更多...
【算法】快速排序、歸并排序（非遞歸版）

【算法】快速排序、歸并排序（非遞歸版）

目錄 一、快速排序&#xff08;非遞歸&#xff09; 1.原理 2.實現 2.1 stack 2.2 partition(array,left,right) 2.3 pivot - 1 > left 二、歸并排序&#xff08;非遞歸&#xff09; 1.原理 2.實現 2.1 gap 2.1.1 i 2*gap 2.1.2 gap * 2 2.1.3 gap < array.…
閱讀更多...
CasualLanguage Model和Seq2Seq模型的區別

CasualLanguage Model和Seq2Seq模型的區別

**問題1&#xff1a;**Causal Language Modeling 和 Conditional Generation 、Sequence Classification 的區別是什么&#xff1f; 因果語言模型(Causal Language Model)&#xff1a; 預測給定文本序列中的下一個字符&#xff0c;一般用于文本生成、補全句子等&#xff0c;模型…
閱讀更多...
【計算機視覺】三維視覺項目 - Colmap二維圖像重建三維場景

【計算機視覺】三維視覺項目 - Colmap二維圖像重建三維場景

COLMAP 3D重建 項目概述項目功能項目運行方式1. 環境準備2. 編譯 COLMAP3. 數據準備4. 運行 COLMAP 常見問題及解決方法1. **編譯問題**2. **運行問題**3. **數據問題** 項目實戰建議項目參考文獻 項目概述 COLMAP 是一個開源的三維重建軟件&#xff0c;專注于 Structure-from…
閱讀更多...
狀態管理最佳實踐：Bloc架構實踐

狀態管理最佳實踐：Bloc架構實踐

狀態管理最佳實踐&#xff1a;Bloc架構實踐 引言 Bloc (Business Logic Component) 是Flutter中一種強大的狀態管理解決方案&#xff0c;它基于響應式編程思想&#xff0c;通過分離業務邏輯和UI表現層來實現清晰的代碼架構。本文將深入探討Bloc的核心概念、實現原理和最佳實踐…
閱讀更多...
Python多任務編程：進程全面詳解與實戰指南

Python多任務編程：進程全面詳解與實戰指南

1. 進程基礎概念 1.1 什么是進程&#xff1f; 進程(Process)是指正在執行的程序&#xff0c;是程序執行過程中的一次指令、數據集等的集合。簡單來說&#xff0c;進程就是程序的一次執行過程&#xff0c;它是一個動態的概念。 想象你打開電腦上的音樂播放器聽歌&#xff0c;…
閱讀更多...
Linux 網絡基礎（二） （傳輸協議層：UDP、TCP）

Linux 網絡基礎（二） （傳輸協議層：UDP、TCP）

目錄 一、傳輸層的意義 二、端口號 1、五元組標識一個通信 2、端口號范圍劃分 3、知名端口號&#xff08;Well-Know Port Number&#xff09; &#xff08;1&#xff09;查看端口號 4、綁定端口號數目問題 5、pidof & netstat 命令 &#xff08;1&#xff09;ne…
閱讀更多...
得佳勝哲訊科技 SAP項目啟動會：膠帶智造新起點 數字轉型新征程

得佳勝哲訊科技 SAP項目啟動會：膠帶智造新起點 數字轉型新征程

在全球制造業加速向數字化、智能化轉型的浪潮中&#xff0c;膠帶制造行業正迎來以“自動化生產、數據化運營、智能化決策”為核心的新變革。工業互聯網、大數據分析與智能裝備的深度融合&#xff0c;正推動膠帶制造從傳統生產模式向“柔性化生產精準質量控制全鏈路追溯”的智慧…
閱讀更多...
大數據學習棧記——MapReduce技術

大數據學習棧記——MapReduce技術

本文介紹hadoop中的MapReduce技術的應用&#xff0c;使用java API。操作系統&#xff1a;Ubuntu24.04。 MapReduce概述 MapReduce概念 MapReduce是一個分布式運算程序的編程框架&#xff0c;核心功能是將用戶編寫的業務邏輯代碼和自帶默認組件整合成一個完整的分布式運算程序…
閱讀更多...
Centos9 離線安裝 MYSQL8

Centos9 離線安裝 MYSQL8

centos 9 離線安裝 mysql 8 參考教程 1. 官網下載mysql 下載地址 2. 將文件傳輸到Centos中解壓 軟件全部安裝到了/opt中 在opt中新建mysql目錄&#xff0c;解壓到mysql目錄中 tar -xvf mysql壓縮文件 mysql[rootcentoshost mysql]# ls mysql-community-client-8.4.5-1.e…
閱讀更多...
helm的go模板語法學習

helm的go模板語法學習

1、helm chart 1.0、什么是helm&#xff1f; 介紹&#xff1a;就是個包管理器。理解為java的maven、linux的yum就好。 安裝方法也可參見官網&#xff1a; https://helm.sh/docs/intro/install 通過前面的演示我們知道&#xff0c;有了helm之后應用的安裝、升級、查看、停止都…
閱讀更多...
display的一些學習記錄

display的一些學習記錄

收集的SDM的log&#xff1a; 01-01 00:00:15.311 933 933 I SDM : Creating Display HW Composer HAL 01-01 00:00:15.311 933 933 I SDM : Scheduler priority settings completed 01-01 00:00:15.311 933 933 I SDM : Configuring RPC threadpool 0…
閱讀更多...
【Rust 精進之路之第2篇-初體驗】安裝、配置與 Hello Cargo：踏出 Rust 開發第一步

【Rust 精進之路之第2篇-初體驗】安裝、配置與 Hello Cargo：踏出 Rust 開發第一步

系列&#xff1a; Rust 精進之路&#xff1a;構建可靠、高效軟件的底層邏輯 **作者&#xff1a;**碼覺客 發布日期&#xff1a; 2025-04-20 引言&#xff1a;磨刀不誤砍柴工&#xff0c;裝備先行&#xff01; 在上一篇文章中&#xff0c;我們一起探索了 Rust 誕生的緣由&…
閱讀更多...
【深度學習】計算機視覺（17）——ViT理解與應用

【深度學習】計算機視覺（17）——ViT理解與應用

文章目錄 Embedding1 概念2 Q&A &#xff08;1&#xff09;3 Positional Encoding4 Q&A &#xff08;2&#xff09; ViT樣例及Embedding可視化理解1 簡化ViT練習2 CLS Token3 Embedding可視化4 多頭注意力可視化 Embedding技術體系結構參考來源 在研究中對特征的編碼和…
閱讀更多...
肖特基二極管詳解：原理、作用、應用與選型要點

肖特基二極管詳解：原理、作用、應用與選型要點

一、肖特基二極管的基本定義 肖特基二極管&#xff08;Schottky Diode&#xff09; 是一種基于金屬-半導體結&#xff08;肖特基勢壘&#xff09;的二極管&#xff0c;其核心特性是低正向壓降&#xff08;Vf≈0.3V&#xff09;和超快開關速度。 結構特點&#xff1a;陽極采用金…
閱讀更多...
DeepSeek在數據倉庫的10大應用場景

DeepSeek在數據倉庫的10大應用場景

一、智能數據集成與清洗 多源數據整合&#xff1a;DeepSeek能夠從多種數據源中提取、轉換和加載數據&#xff0c;實現跨系統數據的高效整合。 數據清洗與標準化&#xff1a;通過智能算法自動識別并糾正數據中的錯誤、不一致性和缺失值&#xff0c;提升數據質量。 二、數據倉…
閱讀更多...
提示詞構成要素對大語言模型跨模態內容生成質量的影響

提示詞構成要素對大語言模型跨模態內容生成質量的影響

提示詞構成要素對大語言模型跨模態內容生成質量的影響 提示詞清晰度、具象性與質量正相關 限定指向性要素優于引導指向性要素 大語言模型生成內容保真度偏差 以訊飛星火大模型為實驗平臺，選取100名具備技術素養的人員，從提示詞分類、構成要素和實踐原則歸納出7種提示詞組…
閱讀更多...
BeautifulSoup 庫的使用——python爬蟲

BeautifulSoup 庫的使用——python爬蟲

文章目錄 寫在前面python 爬蟲BeautifulSoup庫是什么BeautifulSoup的安裝解析器對比BeautifulSoup的使用BeautifulSoup 庫中的4種類獲取標簽獲取指定標簽獲取標簽的的子標簽獲取標簽的的父標簽(上行遍歷)獲取標簽的兄弟標簽(平行遍歷)獲取注釋根據條件查找標簽根據CSS選擇器查找…
閱讀更多...
關于MacOS使用Homebrew的詳細介紹

關于MacOS使用Homebrew的詳細介紹

Homebrew 是 macOS&#xff08;和 Linux&#xff09;上最流行的包管理工具&#xff08;Package Manager&#xff09;&#xff0c;用于快速安裝、更新和管理各種開發工具、命令行程序、開源軟件等。它類似于&#xff1a; Ubuntu/Debian 的 aptCentOS/RHEL 的 yumWindows 的 Cho…
閱讀更多...
最新文章

Copyright @ 2022~2023