通过这个案例，我们学习了如何基于分类问题构建深度学习模型，预测纽约市出租车费是否超过10美元。我们通过特征工程生成了重要的特征，并利用嵌入层对分类变量进行了处理。最终，我们构建了一个深度神经网络，并对模型进行了训练和评估。这个案例展示了如何将深度学习应用于实际问题中，并且提供了未来可扩展的模型保存和加载方式，便于对新数据进行推理。欢迎关注我的后续博文，我将分享更多关于人工智能、自然语言处理和计算机

在本篇博文中，我们详细展示了如何使用Python和SpaCy从头构建一个技术领域的命名实体识别（NER）模型。通过这一过程，我们涵盖了从数据的获取与清洗、技术术语的提取与匹配、训练集的构建、模型的配置与训练，直到最终的模型测试与可视化。我们结合实际的技术专利文本和技术术语表，成功训练了一个能够识别技术相关实体的NER模型。这个项目展示了如何有效地使用自然语言处理技术，结合深度学习来解决实际的文本分

在本篇文章中，我们使用K-Means算法对手写数字数据集进行了无监督的聚类分析。尽管没有使用任何标签信息，K-Means仍然能够找到具有代表性的簇，并且通过调整簇标签后，我们可以获得较高的聚类准确率。进一步使用t-SNE进行降维后，聚类效果得到了进一步提升。这展示了无监督学习在模式发现和数据预处理中的强大应用。期待您继续关注本系列的更多案例！欢迎关注我的后续博文，我将分享更多关于人工智能、自然语言

在本案例中，我们通过深入探索基于Python和SpaCy的自然语言处理技术，成功展示了如何从简历中提取关键信息，特别是技能的提取。这一过程不仅帮助我们提高了对简历文本结构的理解，也为如何自动化处理大规模文本数据提供了有效的方案。通过对数据集的预处理、实体识别模型的构建、技能模式的匹配、以及技能分布的可视化，我们能够高效地将杂乱的文本转化为具有分析价值的结构化数据。此外，这个案例展示了如何在数据科学

Fashion MNIST数据集由60,000张训练图像和10,000张测试图像组成，每张图像的尺寸为28x28像素，且为灰度图像。T-shirt/top（T恤/上衣）Trouser（裤子）Pullover（套衫）Dress（连衣裙）Coat（外套）Sandal（凉鞋）Shirt（衬衫）Sneaker（运动鞋）Bag（包）Ankle boot（短靴）接下来，我们将从数据的加载开始，一步步构建并训练

就像 HTTP 成就了 Web，USB-C 统一了数据接口，MCP 正在为 AI Agent 世界定义一种“共同语言”：对开发者：开发更轻松，模块更易复用；对系统：多 Agent 管理更有序、调度更高效；对用户：体验更连贯、交互更人性。如果你正构建 LLM 应用、多智能体系统，MCP 值得你深入了解并尝试落地。📌 想要尝试 MCP 框架？推荐从开始，它是目前最早原生支持 MCP 的开源智能体平台

未来的全栈开发者不仅需要掌握多种编程语言和技术栈，还需要具备基本的数据科学知识和AI模型调优能力。AI模型逐渐渗透到开发流程的各个环节，开发者如果能够掌握AI模型的应用与调优，将会成为市场上极具竞争力的全栈人才。

在本篇文章中，我们探讨了如何从头开始训练一个用于代码生成的模型，并成功地应用其在Python数据科学库上的代码补全任务中。通过筛选并预处理数据集、构建和训练GPT-2模型，我们展示了如何为特定领域的应用场景定制生成模型。虽然这仅是一个简化版本的代码生成模型，但其为数据科学家在日常工作中自动生成常用代码提供了强有力的支持。未来，随着模型规模的扩展和更多领域的加入，我们将有机会在编程、音乐、DNA序列

seq2seq模型最常用于解决将一个序列映射到另一个序列的问题，如机器翻译和文本摘要。它的核心思想是通过编码器-解码器的结构，将输入序列压缩为一个上下文向量，并依赖这个向量生成输出序列。这个模型的结构如下：在模型中，输入序列首先被嵌入为词向量，然后经过编码器（通常是RNN或者LSTM）来生成上下文向量，接着解码器根据上下文向量逐步生成目标序列。在训练中，解码器的输入可能会使用实际的目标序列（称为）

在本篇博文中，我们展示了如何使用卷积神经网络（CNN）和预训练的AlexNet模型对猫狗图像进行分类。通过数据增强、模型构建和训练，我们能够有效地从图像中提取特征并进行准确的分类。自定义CNN模型展示了从头训练模型的过程，而使用预训练的AlexNet则展示了如何利用迁移学习加速模型训练并提升性能。通过这些实践，我们不仅展示了卷积神经网络的强大功能，还展示了如何借助预训练模型应对图像分类任务。在实际