selenium库是一种用于用于Web应用程序测试的工具，它可以驱动浏览器执行特定操作，自动按照脚本代码做出单击、输入、打开、验证等操作，支持的浏览器包括IE、Firefox、Safari、Chrome、Opera等。与requests库不同的是，selenium库是基于浏览器的驱动程序来驱动浏览器执行操作的。且浏览器可以实现网页源代码的渲染，因此通过selenium库还可以轻松获取网页中渲染后的

迁移学习是一种机器学习方法，它将从一个或多个源任务中学到的知识迁移到新的目标任务中。这种知识可以是模型参数、特征表示或整个模型结构。迁移学习的关键思想在于，不同任务之间存在着共通性，通过利用这些共通性，我们可以提高模型在新任务上的表现。迁移学习是深度学习领域的一项强大技术，它允许我们在数据不足的情况下，利用已有的知识来提升模型的性能。通过合理地选择模型、准备数据和调整超参数，我们可以最大化迁移学习

在循环神经网络中使用RNN模型处理长期依赖问题时梯度会随着时间的推移不断下降减少的问题。而LSTM网络就可以很好的解决这种问题，LSTM是一种RNN特殊的类型，可以学习长期依赖信息，大部分与RNN模型相同，但它们用了不同的函数来计算隐状态。LSTM可以学习只保留相关信息来进行预测，并忘记不相关的数据。简单说，因记忆能力有限，记住重要的，忘记无关紧要的。

卷积神经网络（CNN）是一种专门用于处理网格状数据（如图像、视频、音频）的深度学习模型。其核心思想是通过卷积操作自动提取数据的空间或时序特征，广泛应用于计算机视觉、自然语言处理等领域。经典CNN架构模型提出时间主要贡献应用场景LeNet-51998首个成功的手写数字识别CNNMNIST 分类AlexNet2012引入ReLU、Dropout，赢得ImageNet竞赛图像分类VGGNet2014深层

Ollama是一个开源的大型语言模型服务工具，它帮助用户快速在本地运行大模型。通过简单的安装指令，用户可以执行一条命令就在本地运行开源大型语言模型， Ollama极大地简化了在Docker容器内部署和管理LLM的过程，使得用户能够快速地在本地运行大型语言模型。

贝叶斯算法起源于18世纪英国数学家托马斯·贝叶斯（Thomas Bayes）提出的贝叶斯定理，经过几个世纪的发展，逐渐成为统计学和机器学习中的重要工具。其核心原理是基于条件概率，通过先验知识和新观测数据相结合，计算后验概率，从而实现对事件概率的动态更新。常见的贝叶斯算法包括朴素贝叶斯分类器、贝叶斯网络、贝叶斯优化和贝叶斯滤波等。朴素贝叶斯分类器广泛应用于文本分类和垃圾邮件过滤；贝叶斯网络用于建模变

决策树是一种常用的机器学习算法，广泛应用于分类和回归任务。它通过递归地将数据集划分为更纯的子集，构建树状结构来进行决策。每个内部节点表示一个特征或属性的测试，每个分支代表一个可能的测试结果，而每个叶节点则代表一个类别（分类任务）或一个值（回归任务）。决策树通过对训练样本的学习，并建立分类规则，然后依据分类规则，对新样本数据进行分类预测，属于有监督学习。

K-means聚类是一种无监督学习算法，用于将数据集划分为K个簇。其目标是将数据点分配到K个簇中，使得每个簇内的数据点尽可能相似，而不同簇之间的数据点尽可能不同。算法通过迭代更新簇中心和分配数据点，直到簇中心稳定。K-means简单高效，但需要预先指定K值，且对初始质心选择和噪声敏感。广泛应用于图像分割、市场细分等领域。类中心的个数,就是要聚成几类。【默认是8个】init参初始化的方法，默认为'k

通过对一张2000*1000像素写满0-9手写数字的图片进行处理。分割出训练集和测试集使用KNN算法进行训练并且预测测试集的标签。数据集是一张2000*1000像素的图片，有50行100列手写数字，其中每个手写数字占20*20的像素。将图片对半分割，左侧50列作为训练集，右侧50列作为测试集。当模型建立好后也可以自己传入手写数字图片进行预测。KNN算法是机器学习的入门算法，所以对初学者来说能够熟练

数据预处理是机器学习中不可或缺的一步，它直接影响模型的性能和泛化能力。通过合理的数据清洗、特征工程和数据转换，可以提高模型的准确性和稳定性。数据预处理是机器学习中至关重要的一步，它直接影响模型的性能和效果。原始数据通常包含噪声、缺失值、不一致性等问题，因此需要通过预处理将其转化为适合模型训练的格式。将连续特征转换为离散特征（如将年龄分为“青年”、“中年”、“老年”）。数据清洗的目的是处理数据中的噪