定期分享我的发现和想法，感谢你的陪伴和支持

大模型，何所谓大？先从大数据开始。假如你有超百万条oracle数据库数据，那么一直使用的代码：`train_df, temp_df = train_test_split(df, test_size=0.3, random_state=42)`，很可能1h还没划分完数据。刚开始时，看着电脑忙和，自己闲着，很开心。1h过去后，发现事情好像没有那么简单。于是……重新学习数据集划分，从时间复杂度角度，重新审视这些机器学习入门知识。

论文看到哪学到哪 ^ - ^在计算机领域，我们总是在寻找更智能、更高效的方法来训练机器学习模型。如果我们能够教会机器如何利用其周围的世界自我学习，那将是多么令人兴奋的事情！这就是自监督学习（Self-Supervised Learning）的魔法所在。本文将尽可能用通俗易懂的语言和形象的比喻，带你走进自监督学习的世界。一文速通半监督学习(Semi-supervised Learning)：桥接有标签与无标签数据。

由于技术等客观因素限制，我就疫情中政府基于大数据应用，第二个方面中，通过分析卫生部门所采取措施对疫情传播所造成的影响，复盘我国抗击COVID-2019取得阶段性胜利的原因。为此，我将初步筛选全国疫情发展态势统计结果，模拟建立测控全国COVID-19流行趋势的模型。

目前，有许多可用于遗传算法的 Python 框架 —— GAFT，DEAP，Pyevolve 和 PyGMO 等。其中，deap (Distributed Evolutionary Algorithms in Python) 框架支持使用遗传算法以及其他进化计算技术快速开发解决方案，得到了广泛的应用。deap 提供了各种数据结构和工具，这些数据和工具在实现各种基于遗传算法的解决方案时必不可少。

实际上，AML 是在 scikit-learn 中应用的网格搜索的扩展，而不是迭代这些值预先定义的集合和其组合，它通过搜索方法，特征，变换和参数值来获得最佳解决方案。因此，AML“网格搜索”不需要在可能的配置空间上进行详尽的搜索 - AML 有一个很赞的应用叫做 TPOT 包，其提供了像遗传算法这样的应用，可用来在某个配置中混合各个参数并达到最佳设置。该步骤是遗传算法中产生新的个体的主要操作过程，它用一定的交配概率阈值(pc，一般是0.4到0.99)来控制是否采取单点交叉，多点交叉等方式生成新的交叉个体。

图像识别6：综合实验内容：图像数据的提取、特征提取、划分数据集并分类、可视化结果展示：1. 对resize前后的图像进行展示，包括原始彩图、灰度图、及resize后的灰度图。2. 绘制两个图展示SVM、KNN分类器参数变化时，四种特征提取算法的精度变化。3. 确定最优参数后，使用最优参数下的三个分类器进行分类，展示四种算法在该分类器下的分类精度（五组数据的平均精度）。4. 确定最优参数后，针对分类结果对六类。

图像识别5：LDA 与 SVM+神经网络+支持向量机实验目的：熟练支持向量机的使用，掌握线性判别分析使用，以及 knn、k-means 聚类的使用方法。实验内容：（1）LDA与SVM（2）KNN和支持向量机（3）Kmean聚类

图像识别3：梯度下降和LDA线性模型实验内容：根据梯度下降法、闭式解完成一元线性回归实验，并比较两种解下的实验结果。

图像识别4：决策树+神经网络GUI+支持向量机实验内容：（1）决策树（2）神经网络（3）支持向量机二分类实验

图像识别2：多分类及线性模型实验1. a 次 b 折交叉验证法（k 取 10）完成训练集与测试集的划分。2. 对测试集添加椒盐噪声，记录当噪声密度 d 取 0，0.01，0.05，0.1，0.2，0.5，0.8，1 时的分类精度，并画出精度曲线图，通过曲线图分析测试集噪声对两种方法的影响。

图像识别1：基于相似性度量的二分类实验目的：进行基于相似性度量的二分类实验，并绘制相关ROC曲线。以方便对两种或两种以上不同相似度试验，进行算法性能的比较。