Word2Vec模型实践：《人民的名义》文本分析 本文介绍了Word2Vec词嵌入模型的基本原理和应用实践。Word2Vec通过将词语映射到向量空间，使相似词距离更近，包含CBOW(上下文预测当前词)和Skip-gram(当前词预测上下文)两种架构。作者以《人民的名义》小说原文为素材，进行了中文文本处理实践。 实践步骤包括： 使用jieba分词并加载自定义人名词典 去除常见停用词 训练Word2V

本文介绍了自然语言处理中中文分词的基础概念与方法，主要内容包括： 分词的定义与重要性：解释了词作为最小语义单位的特点，以及分词在文本检索、语音转换等场景中的实际应用价值。 分词规范与难点：介绍了国家标准GB13715的分词规范，重点分析了交集型和覆盖型两类切分歧义案例。 消歧方法：提出利用词法、句法、语义和语用四个层面的上下文信息来解决切分歧义问题。 主要分词算法：对比了正向最大匹配、逆向最大匹配

忘记门(遗忘门)：将朝着0减少输入门：决定是不是要忽略输入数据输出门：决定是不是要使用隐状态👀提示：一下数学公式组合成一块，我感觉就不是那么容易理解了，但是能大概理解即可，后面在案例中实践学习。LSTM原理具体细节确实复杂，但是我感觉可以结合实践慢慢理解，毕竟小编还是本科生🤠🤠.

📚 一句话，找出图像中感兴趣的物体，确定其位置和类别。由于物体类别不同，其形状、外观、姿态都不同，而且还受环境的影响，故在cv领域，目标检测一直都是一个很热门的话题。🐶 目标检测任务：找出每个物体，类别标注出来，还需要找出具体的位置，位置通常用边缘框表示。边缘框概念用一个边框框主一个物体，如图：这个图要注意一下：坐标系和普通不太一样，主要是坐标。所以，如果物体很多，那需要的成本也是需要很高的。

Network-in-Network（NiN）是一种深度学习架构，它在2013年由Lin等人提出，旨在提高传统卷积神经网络（CNNs）的性能。卷积核来降维，这样虽然加大了网络深度，但是也减少了参数量和计算量，网络结构如上图b所示。去掉两个辅助分支，只复现主要分支(详细请看网络结构)，并进行实验，对猴痘病图片进行分类。黄色是头部，主要用于数据处理的，绿色是上面介绍的Inception Module结

表示连接池事先会和 MySQL Serve r创建最小个数的连接，当应用发起 MySQL 访问时，不用再创建和 MySQL Server 新的连接，直接从连接池中获取一个可用的连接即可，使用完成后并不去释放连接，而是把连接再归还到连接池当中。

函数原型：输入通道数：输出通道数：卷积层大小stride：卷积步伐大小padding：添加到输入的所有四个边的填充。默认值：0dilation：扩张操作，控制kernel点（卷积核点）的间距，默认值:1。groups：将输入通道分组成多个子组，每个子组使用一组卷积核来处理。默认值为 1，表示不进行分组卷积。：‘zeros’, ‘reflect’, ‘replicate’或’circular’. 默

四分位数Q1是排第25%的数值，上四分位数Q3是排第75%的数值。四分位距IQR= Q3-Q1，也就是排名第75%的减去第25%的数值 正态分布类似，设置个合理区间，在区间外的就是异常值。数值分布在( μ-3σ, μ+3σ)中的概率为99.73%，其中 μ为平均值， σ为标准差。在进行数据一致化之前，必须先判断是属于什么类型数据（极大型、极小型、中间型、区间型）2、判断每个数据值是否在( μ-3σ

环境：seaborn绘制热力图的时候，版本需要与matplotlib版本配对，matplotlib版本需要在3.8.0以下随机森林：可以决解多重共线性问题进一步熟悉了数据分析的过程不足：算法的扩展性、数据特征提取没有做。

【代码】机器学习/数据分析--Pandas常用50个基础操作。