class sklearn.decomposition.TruncatedSVD(n_components=2,algorithm='randomized', n_iter=5, random_state=None, tol=0.0)

文章目录1. 概率潜在语义分析模型1.1 基本想法概率潜在语义分析（probabilistic latent semantic analysis，PLSA），也称概率潜在语义索引（probabilistic latent semantic indexing，PLSI）利用概率生成模型对文本集合进行话题分析的无监督学习方法最大特点：用隐变量表示话题整个模型表示 文本生成话题，话题生成单词，...

文章目录1. tf.data1.1 数据集建立1.2 数据集预处理1.3 并行处理1.4学习于：简单粗暴 TensorFlow 21. tf.data1.1 数据集建立tf.data.Dataset.from_tensor_slices()import matplotlib.pyplot as plt(train_data, train_label), (_, _) = tf.keras.data

文章目录1. 无监督学习基本原理2. 基本问题2.1 聚类 Clustering2.2 降维 Dimensionality Reduction2.3 概率模型估计3. 机器学习三要素4. 无监督学习方法4.1 聚类4.2 降维4.3 话题分析4.4 图分析1. 无监督学习基本原理机器学习或统计学习一般包括监督学习、无监督学习、强化学习无监督学习：从无标注数据中学习模型的机器学习问题无标注...

从2019年2月底开始学习《数据结构与算法之美》，王争老师的课程非常好，到2019年8月底已经学完一遍，后面还要多次复习巩固以及OJ刷题。生命不息，学习不止，又要开始新的篇章了–《机器学习》，有点小兴奋，哈哈，之前Python已经大致过了2遍（小甲鱼的视频&从入门到实践），现在要补NumPy、复习高等数学、然后开始吴恩达老师的课程。此篇文章作为学习的汇总目录，供大家参考，一起学习，共同进步

本文基于 dify 和 vllm 部署的本地大模型，创建了一个修复python代码的 LLM 应用

Polars是一个高性能的数据处理库，它旨在提供快速的数据处理能力，特别是在处理大型数据集时。Polars是由Rust语言编写的，这使得它在性能和内存安全性方面具有显著优势。高性能：Polars的设计重点在于优化数据处理的速度。它利用Rust语言的性能优势，提供了快速的数据过滤、分组、排序和其他常见数据操作。内存效率：Polars在内存管理上进行了优化，减少了不必要的内存分配和复制，这使得它在处理

模拟一些耗时操作computation_time = random.uniform(1, 5) # 模拟计算耗时（1-5秒）: 这是 Ray 提供的装饰器，表示该函数将会在远程执行，而不是在本地串行执行。Ray 会将函数调度到集群中可用的工作节点上。: 模拟任务的执行时间，使用生成 1 到 5 秒之间的随机数。: 模拟计算过程中的耗时操作。Ray 远程任务执行：通过装饰器将任务分配到集群中的各个节

文章目录1. 并查集2. 操作2.1 初始化2.2 查询2.3 合并3. 完整代码4. 参考1. 并查集并查集是一种树型的数据结构用于处理一些不相交集合（Disjoint Sets）的合并及查询问题2. 操作2.1 初始化把每个点所在集合初始化为其自身，时间复杂度均为O(N)，可用数组，哈希表等结构来实现for(int i = 0; i < n; i++)father...

https://pypi.org/project/emoji/pip install emoji字符串中间有 emoji 表情，替换掉。text = "????贝贝有点甜????"res = emoji.demojize(text) # ':rabbit_face:贝贝有点甜:rabbit_face:'# 正则表达式替换为 r"想换的字符串"res = re.sub(emoji.get_emoji