本文系统介绍了机器学习的三大范式：监督学习、无监督学习和强化学习。监督学习通过带标签数据训练模型进行预测，包括回归（连续输出）和分类（离散输出），典型应用如房价预测和垃圾邮件识别。无监督学习处理无标签数据，涵盖聚类、降维和生成三大方向，用于客户分群、数据可视化等场景。强化学习则通过环境反馈的奖励信号优化决策策略，适用于游戏AI、机器人控制等问题。文章通过具体案例和代码示例（如线性回归、K-Mean

本文以南京市 2024 年真实气象数据为例，系统讲解 matplotlib 八种常用图表的选型思路与完整代码实现，强调「先问问题再选图」，并说明可视化在机器学习 EDA、训练监控与结果汇报中的位置；配套源代码与数据集，适合入门者建立数据可视化基础。

本项目开源了一个基于API调用的网页内容分析工具，适合开发者学习API调用技术。项目通过三条核心链路展示API开发：1)调用DeepSeek等大模型API（OpenAI兼容接口）；2)Streamlit前端通过httpx调用FastAPI后端；3)提供标准REST接口供外部调用。技术栈包括FastAPI、Streamlit、httpx和DeepSeek API，重点演示了Bearer鉴权、JSON

本文系统介绍了机器学习中两种基础算法：多元线性回归和逻辑回归。多元线性回归用于预测连续数值（如房价、销量），通过最小化均方误差(MSE)找到最佳超平面；逻辑回归用于二分类问题（如垃圾邮件识别、信贷风控），利用Sigmoid函数输出概率并通过交叉熵损失优化。文章详细阐述了两者的数学原理、损失函数设计依据、实际应用场景及评估方法，并通过房价预测和邮件分类案例演示了完整建模流程。两种算法分别对应"是多少