无监督学习通过算法从未标记数据中发现隐藏模式，主要包括几种常见方法：K均值聚类通过距离最小化分配数据到K个簇；层次聚类构建树状图展示层次关系；DBSCAN基于密度划分任意形状簇并识别噪声；PCA可结合聚类进行降维预处理；高斯混合模型用EM算法估计概率分布；自组织映射将高维数据映射到低维网格。这些方法各具特点，需根据数据特性选择合适算法。

大模型常见术语表。

本文概述了几种经典回归方法及其应用。线性回归通过最小二乘法建立线性关系模型，简单高效但拟合能力有限。多项式回归引入高次项处理非线性关系，需注意过拟合风险。岭回归和Lasso回归分别采用L2/L1正则化解决过拟合问题，后者还能进行特征选择。弹性网络综合二者优势。模型评估需考虑MSE、R²等指标，并通过交叉验证确保泛化性。这些方法从简单线性到复杂非线性问题均可有效应对，选择时需结合数据特点。

本文系统介绍了人工智能（AI）和大模型的核心概念与发展历程。AI通过模拟人类智能实现学习、推理等功能，分为专用弱AI和通用强AI。大模型作为新兴技术，依托海量参数和深度学习处理复杂任务。文章梳理了AI从1950年代符号推理到现代深度学习的演进过程，重点分析了深度学习革命后大模型的崛起及其关键技术（如Transformer架构）。最后指出AI未来将向可解释性、伦理合规方向发展，强调其对人类社会产生的

机器学习是人工智能的核心分支，通过算法使计算机从数据中自动学习，无需显式编程。主要分为监督学习（如分类、回归）、无监督学习（如聚类、降维）和强化学习（通过试错优化策略）三大类，广泛应用于自然语言处理、计算机视觉等领域。近年来，大模型（如GPT、BERT）结合多种学习方法，推动了AI技术的突破性发展。

Android Studio在创建工程后默认会访问Google自己的官网去下载gradle和maven依赖项，国内访问Google的速度相当慢，如果没有科学上网的话，甚至无法访问。本文记录如何解决这些问题。