通过本案例，主要学习了对于本文序列问题的处理方法之一 —— jieba分词后向量化，加强了对于朴素贝叶斯的学习。

1.加载数据集df = pd.read_csv('./data/红酒品质分类.csv')#2.查看数据集df.info()#3.抽取特征数据和标签数据y = df.iloc[:, -1] - 3 #最后一列是标签,默认标签是[3-8],-3后转换为[0,5]#4.查看数据print(f'查看标签数据是否均衡{Counter(y)}')#5.切分训练集和测试集 参5：参考数据集的标签分布#6.将上述

通过本案例，实际应用了聚类的评价指标，并且成功对用户进行了分类，加强了对于聚类算法的认识。

加强了对于对于聚类算法评价指标的练习。

例如numpy生成的int类型数组，可以转化为float32（默认，故打印出来不显示类型）类型。前三个场景与tensor大体一样，但是Tensor不可以指定转化为张量的类型（下图是错误代码，要去掉dtype=torch.float）但是tensor不能直接创建指定维度张量，这也是与Tensor的一个区分点（下图为错误代码）7.调整当前行的位置：Shift + Alt + ↑/↓。detcah（）复

通过sklearn中的波士顿房价数据，实现对于数据读取、数据处理、模型训练，从而加强对于线性回归的认识。通过波士顿房价预测案例，学习了线性回归相关API的调用，加强了对于线性回归的认识。

有11类食物，其中带标签的有28011张，无标签输出有6786张，验证集3011张，测试集有3347张。带标签的数据训练为监督学习，不带标签的数据训练为半监督学习。由上文可以训练出一个模型，用于食物分类。对于无标签的数据，可以待模型输入数据X，得到输出值predY概率超过0.99时，就将此数据打上此时的标签Y，并用作训练集。

加强了对于对于聚类算法评价指标的练习。

【前向过程】首先输入图片，然后经过若干次卷积得到特征，最后拉直，经过全连接求出预测值，有了预测值与真实值就可以算出loss。【反向过程】梯度回传，得到每一个卷积核上每一个权重的梯度，更新模型。

美国有40个州， 这四十个州呢 ，统计了连续三天的新冠阳性人数，和每天的一些社会特征，比如带口罩情况， 居家办公情况等等。现在有一群人比较坏，把第三天的数据遮住了，我们就要用前两天的情况以及第三天的特征，来预测第三天的阳性人数。但幸好的是，我们还是有一些数据可以作为参考的，就是我们的训练集。用训练集训练模型并且由训练的模型预测第三天阳性人数。本项目在最基础的回归模型上，增加了正则化和相关系数两种优