标准化是将特征值转换为均值为 0、标准差为 1的分布。将特征值缩放到一个固定的区间，通常是[0, 1]。

本文介绍了聚类算法的基本概念和实现方法，重点讲解了K-Means聚类算法及其评估指标。聚类算法属于无监督学习，通过样本相似性进行分类，常见方法包括K-means、层次聚类等。K-Means算法通过迭代优化质心位置实现聚类，适用于数据探索初期。文章详细演示了使用sklearn实现K-Means的完整流程，并介绍了三种评估指标：SSE（误差平方和）结合肘部法确定最佳K值；轮廓系数法（SC）衡量内聚度和

极端梯度提升树，与传统的梯度提升决策树(GBDT)相比，XGBoost通过引入来控制模型的。

AI、ML和DL是递进关系：AI是目标，ML是实现方式，DL是ML的一种特殊方法。深度学习通过深层神经网络自动提取特征，擅长处理文本、图像等非结构化数据。与传统机器学习相比，DL需要更多数据和算力，但能实现更高精度，缺点是"黑箱"特性明显。主流框架包括PyTorch（研究首选）、TensorFlow（工业部署）以及国产的PaddlePaddle和MindSpore。DL在大数据

PyTorch是一个Python深度学习框架，它将数据封装成张量(Tensor)进行处理，具有类似NumPy的张量计算、自动微分、动态计算图和GPU加速等特点。安装时可通过conda创建虚拟环境，使用pip安装指定版本的torch和numpy包。PyTorch以类形式封装张量及其运算方法，为开发者提供了高效构建深度学习应用的框架支持。

广播机制允许不同形状的张量进行逐元素运算，遵循三条核心规则：1）维度大小相等；2）其中一个维度为1时可复制扩展；3）维度数不足时在前面补1。比较时从右往左逐个维度进行，若所有维度都满足任一规则即可广播。例如，形状(2,3)和(3,)可广播，因(3,)先补为(1,3)，再扩展为(2,3)。但(1,3)和(2,)不能广播，因最右维度3和2不匹配且都不为1。广播机制通过自动维度补全和扩展实现张量运算的形

PyTorch张量创建与类型转换摘要： 张量创建方式： torch.tensor()：根据指定数据创建张量（最常用） torch.Tensor()：根据形状创建或指定数据创建 特定类型创建：torch.IntTensor/FloatTensor等 线性/随机张量：arange()、linspace()、randn() 特殊张量：ones()、zeros()、full()及对应的_like方法 类型

矩阵乘法运算要求第一个矩阵 shape: (n, m)，第二个矩阵 shape: (m, p), 两个矩阵点积运算 shape 为: (n, p)。点乘指（Hadamard）的是。

PyTorch 为每个张量封装很多实用的计算函数： 均值 求和 平方 平方根 指数计算 对数计算等等。mean, sum,pow,sqrt,exp,log 等。

本文介绍了PyTorch中张量索引操作的5种主要方法：简单行列索引（通过[0,:]等语法获取特定行列）、范围索引（使用切片语法[:2]获取子张量）、多维索引（处理高维数组如data[0,:,:]）、列表索引（通过坐标列表获取特定元素）和布尔索引（基于条件筛选数据）。这些索引操作是张量处理的基础，在不同框架中语法相似，对于深度学习和科学计算至关重要。