DeepSeek作为当前最好的AI大模型之一，其强大的文本生成能力被广泛的应用于各个领域，本文我们来聊聊用DeepSeek来辅助AI绘图。（文末附多款可以免费使用的AI绘图工具）

上面DeepSeek结合PPT的两种工具，大家可以自己尝试一下哪种效果更好，二师兄个人觉得WPS的整体配图要更贴合主题一些，但是Kimi是免费的！这一点就很厚道了。市面上有很多AI-PPT工具，大家可以自己寻找结合DeepSeek尝试一下，因为很多都是收费工具，本文只列出有特色的两种，其它的就不再一一列举了。后面会陆续更新DeepSeek结合各种工具的使用教程，大家有想要了解的工具可以在下方留言！

本文我们来聊聊DeepSeek如何用于数据分析工作者。：应用统计方法检验假设，评估变量之间的关系。：使用机器学习等技术构建预测模型，预测未来趋势和结果。：基于分析结果，解释数据的意义和影响。：从数据中提取有价值的洞察，支持业务决策。：根据数据分析的结果，制定或调整业务策略和行动计划。：将分析结果以清晰、简洁的方式呈现给非技术背景的决策者。：编写详细的分析报告，包括方法、结果、结论和建议。接下来我们

密度聚类算法基于密度的聚类算法假设样本结构能够通过样本分布的紧密程度而决定，以数据集在空间内分布的稠密程度为依据进行聚类，即只要一个区域中的样本密度大于某个阈值，就把它划入与之相近的簇中。密度聚类可以克服K-means，BIRCH算法只适用于凸样本的缺点，密度聚类算法既可以适用于凸样本集也可以用于非凸样本集。常见的密度聚类算法有：DBSCAN、MDCA、OPTICS、DENCLUE等。...

特征选择为什么要进行特征选择我们在现实任务中经常会遇到维数灾难的问题，这是由于属性过多而造成的，若能从中选择出重要的特征，使得后续学习过程仅需在一部分特征上构建模型，则维数灾难问题会大为减轻。去除不相关特征往往会降低学习任务的难度，我们把复杂的问题变得简单化，往往也能使得效率变高，结果变的更准确。过滤式（Filter）过滤式是过滤式的方法先对数据集进行特征选择，然后再训练学习器，特征选择过程与后续

XGBoost和GBDT一样，XGBoost也是一种基于CART树的Boosting算法，让我们来看一下如何通俗的去理解XGBoost。先简单的回想一下，在我们之前提到过的GBDT中是怎样用很多棵树去做预测的？很简单，我们给了每棵树不同的训练数据，得到多种不同的结果，最终我们把这些结果相加作为最终的预测值就可以了。XGBoost的定义举一个简单的例子，我们要预测一家人对电子游戏的喜好程度，考虑到年

强化学习什么是强化学习？我们在之前接触过了监督学习和无监督学习，强化学习可以看作是不同于二者的另一类算法，强化学习让计算机从什么都不懂的时刻开始，通过不断地尝试，从错误中学习，找到一种规律，能够掌握达到目的的方法。强化学习的思想就类似于我们去训练一只狗，一开始它听不懂任何我们下达的指示，但是我们可以在每次说出指令并且它做出正确动作的时候，都给它一定的奖励，否则没有奖励，让它知道对错，最终每次都能够

ROC曲线什么是ROC曲线？ROC曲线经常作为评估二分类的重要指标，其起源于军事领域，全称叫做receiver operating characteristic curve。ROC曲线是二维平面内的曲线，其横坐标为假阳性率（FPR），纵坐标为真阳性率（TPR）他们的计算方法如下：上式中：P：真实的正样本的数量N：真实的负样本的数量TP：P个正样本中被分类器预测为...

数据预处理通常获取数据通常都是不完整的，缺失值、零值、异常值等情况的出现导致数据的质量大打折扣，而数据预处理技术就是为了让数据具有更高的可用性而产生的，在本章中学习一下如何用Python进行数据预处理。数据预处理是什么当用户拿到一份新数据的时候，通过各种手段进行数值替换，空值填充等过程就是数据预处理。本文中我们将会了解到的数据预处理方式有：① 一般的数据预处理；② 缺失值的处理；③ 异常值的处理；

Python数据可视化一网打进数据可视化作为数据分析最直接的结果呈现方式，了解其制作方式和应用场景是很有必要的，本文来了解一下各个图标的应用场景及代码实现。本文使用的代码主要基于做图库plotly如果使用中有不懂的内容，联系二哥！可以先收藏点赞，后面掏出来直接用！一、可视化绘制思维导图二、比较类图创建示例数据如下：import pandas as pddata = pd.DataFrame({'n