在人工智能的数据处理中，常见的数据类型包括（表格数据）、（文本、图像、音频）等。以下是不同数据类型的典型处理任务、常用库及案例函数。

上一篇简单介绍了决策树，而本篇讲解与决策树相近的最近邻方法k-NN。

本文介绍自然语言处理（英语：Natural Language Processing，缩写作 NLP）中的文本分类应用，包括中英文分词方法、文本特征提取和假新闻分类任务。

之前的笔记已包括基础知识，现在将在实际案例中讲解线性回归的使用方法。

Pandas读取数据后可对数据进行选择、删减、缺失值处理和可视化等一系列操作。

本篇文章基于《Python深度学习》[英]尼格尔·路易斯 这本书上的知识，并结合笔者的思考而著文章中会提到深度学习的基础知识，常见的基础深度学习算法，深度学习numpy等常用包的导入，以及一个小型的练习案例。

对于大规模数据，我们经常会使用python内置函数或者编写脚本进行批量化处理，从而提高后续使用算法的效率。

（一）和（二）均以预测房价为例，讲解线性回归的求法。

Pandas提供了丰富的输入/输出接口，支持多种数据格式的读写操作。

NumPy 提供的丰富的数学函数库