深度强化学习（Deep Reinforcement Learning）图神经网络（Graph Neural Networks, GNNs）Transformer一种深度学习模型大语言模型（Large Language Models, LLMs）

1. 定义：监督学习是一种使用标注数据（labeled data）进行训练的机器学习方法，目标是识别输入特征（input features）与输出结果（labels）之间的关系。（3）生成一个线性决策边界（Linear Decision Boundary），用于区分线性可分的两类（+1 和 -1）包括先验概率（Prior）、似然（Likelihood）、后验概率（Posterior）和证据（Evi

描述分布的特征：expected value , varience , standard deviation , skewness (偏度） , kurtosis （峰度）其他数据集中趋势的的度量：中位数（Median），众数（Mode），均值（Mean）如果两个变量相互独立，联合概率密度函数 = 两个变量边际概率密度函数的乘积。从统计角度（最大化似然）来找，或者从几何角度（让它离点最近）来找。（

（1）图中展示了通过属性 Refund、Marital Status（MarSt） 与 Taxable Income（TaxInc） 进行划分的树结构。Induction（归纳）：通过训练集（Training Set）使用学习算法（Learning Algorithm）生成模型（Model）Deduction（演绎）：将生成的模型应用到测试集（Test Set），预测未知样本的类别（Class）（

1. 定义：监督学习是一种使用标注数据（labeled data）进行训练的机器学习方法，目标是识别输入特征（input features）与输出结果（labels）之间的关系。（3）生成一个线性决策边界（Linear Decision Boundary），用于区分线性可分的两类（+1 和 -1）包括先验概率（Prior）、似然（Likelihood）、后验概率（Posterior）和证据（Evi

不同任务选用不同指标会造成评估结果的偏差。

多模态输入 → 特征提取（文本/音频/视觉特征）→ 融合层 → 决策输出。模式识别偏重于“判断”——给具体数据自动分类或识别标签。数据挖掘偏重于“发现”——从大数据中找出知识和规律。

action = env.action_space(agent).sample()# 采取随机动作。🔹 通过 Wrappers，用户可以更轻松地管理 PettingZoo 环境。🔹 该代码可以检测 env 是否符合 PettingZoo API 标准。• 例如：乒乓球（Pong）、太空侵略者（Space Invaders）等。PettingZoo 提供了多种 API，用于不同类型的多智能体任务

PettingZoo 是一个多智能体强化学习（MARL）环境的标准化 API，类似于 Gymnasium 但专注于多智能体环境。

•。