本文介绍了python的多进程、多线程、多协程等相关的概念和应用场景，并轻量化的通过代码进行了三种并行编程的演示

利用sklearn内置的鸢尾花数据集为例，使用KNN算法进行鸢尾花的品种分类，其中包含了数据集获取，数据集分析，测试数据和训练数据切分，网格搜索最佳超参数等代码实现用例

本文以sklearn自带的load_digits数字识别数据集为例，讲解了混淆矩阵、准确率、错误率、精准率、召回率、PR曲线、F1度量、TPR、FPR、ROC曲线、AUC等分类算法的评判指标计算公式和基于sklearn的代码计算方法。

本文基于sklearn对硬间隔SVM、软间隔SVM、非线性SVM分类、核函数SVM分类，以及利用支撑向量机处理线性和非线性回归问题进行了代码示例及原理讲解。

基于sklearn波士顿房价数据集进行多元线性回归算法代码实现

通过PCA对数据进行预处理，不仅能有效见少数据集特征维度从而提高模型训练和运行效率，而且还能通过去除一部分噪声提高模型精度。

本文通过讲述k折交叉验证的原理，并基于sklearn提供的方法进行交叉验证的应用，实现了KNN邻近模型的超参数寻找，并针对同样的数据集使用网格搜索的方法寻找超参数，试验证明两种方法得到的超参数组合和模型性能评分结果一致。

本文讲解了模型正则化的原理，以及在多项式回归中的应用，通过未经过正则化的多项式回归与三种不同形式的正则化回归模型(Ridge回归（岭回归）、LASSO回归、弹性网络回归)做对比，实验证明，正则化回归后的模型能够更好的抑制过拟合问题，并在测试数据集中有更好的表现。

本文主要利用opencv读取摄像头的手势画面数据，利用mediapipe库提供的方法将手势图像画面转化为手部21个关节点的坐标值，通过KNN近邻算法训练坐标值的数据，从而识别石头剪刀布三个手势

本文主要利用opencv读取摄像头的手势画面数据，利用mediapipe库提供的方法将手势图像画面转化为手部21个关节点的坐标值，通过KNN近邻算法训练坐标值的数据，从而识别石头剪刀布三个手势