Scikit-learn python的一个针对机器学习的算法库，不支持深度学习和强化学习。

实例1，垃圾邮件检测。任务：判断是否为垃圾邮件输入：邮件输出：是/不是垃圾邮件实例2：图片分类分类：根据已知样本的某些，判断一个样本属于哪个样本分类任务与回归任务的区别。

机器学习方法的一种，没有给出事先标记过的训练数据，根据输入自动分类或分群。优点：算法不受监督信息（偏见）的约束，可能考虑到新的信息。聚类分析：根据对象属性中的某些相似度，将其化为不同的类别。3、重复流程到中心点稳定（我理解是中心点周边数据点最多）2、基于有效数据向空间扩展，知道没有新点加入。主要应用：聚类分析、关联规则、维度缩减。1、自动发现类别数量，无需人工选定。1、在中心点的一定区域内检索数据

一种对实例进行的树形结构，通过区分目标所属类别本质：通过多层判断，从训练数据集中归纳出一组分类规则。

根据输入的数据，对不符合预期模式的数据进行识别。概率密度是描述随机变量在某个确定点附近可能性的函数。（听起来有点绕）拓展下概率密度函数求概率f(x)是概率密度函数，x落在a到b区间的概率就是，对于f(x)在区间[a,b]求积分。现在的问题是单说一个f(a)或f(b)这个概率密度值有什么含义。单点的概率密度总结起来三句话1、不是概率2、是密集程度的一种表示3、这个单点的概率密度值越大，越说明X（样本

摘要：2025-2026年AI大模型应用工程师（LLM Application Engineer）需掌握四个层级的Python技能：1）核心基础（装饰器、OOP、异常处理）；2）数据处理（文本清洗、PDF解析、向量化）；3）AI框架集成（LangChain、HuggingFace、异步编程）；4）工程化部署（FastAPI、Docker）。重点强调异步编程、框架集成和实际项目能力，而非底层算法。建

你的理解是对的ainvoke只是创建对象，await才是真正触发执行并等待的地方。最佳实践：如果你希望利用异步的优势（并行），请使用让请求尽早开始，而不是手动拆分await。来自Qwen3.5plus。

优先使用绝对导入： 只要可能，尽量写。它更清晰，重构时更容易（移动文件时不用改一堆..相对导入仅用于包内部紧密耦合的模块： 如果你确定几个模块永远会在同一个包里一起移动，可以用。永远不要直接运行包内的文件： 如果要测试包内的代码，请在项目根目录使用，或者在包外写一个main.py来调用。项目结构要规范├── src/ # 源代码目录（进阶做法，防止导入混乱）│ └── ...├── tests/

摘要：2025-2026年AI大模型应用工程师（LLM Application Engineer）需掌握四个层级的Python技能：1）核心基础（装饰器、OOP、异常处理）；2）数据处理（文本清洗、PDF解析、向量化）；3）AI框架集成（LangChain、HuggingFace、异步编程）；4）工程化部署（FastAPI、Docker）。重点强调异步编程、框架集成和实际项目能力，而非底层算法。建

一种对实例进行的树形结构，通过区分目标所属类别本质：通过多层判断，从训练数据集中归纳出一组分类规则。