文本特征抽取：Count 

功能：

文本分类

情感分析

默认对于单个英文字母或者单词：没有不统计

词组分类器：jie'ba

format 函数可以接受不限个参数，位置可以不按顺序

感觉补充和对齐要在用的时候查表。。。直接记不太容易。

>>> a = "我是{0}，我的存款有{1:.2f}"
>>> a.format("高崎"，12414514.12313)
SyntaxError: invalid character '，' (U+FF0C)
>>> a.format("高崎",12414514.12313)
'我是高崎，我的存款有12414514.12'

特征抽取：特征值化

字典数据特征抽取：对字典数据进行特征值化

DictVectorizer语法：

字典数据抽取:将字典中的一些类别数据，分别转换成一些数值。

数组形式：有类别的这些特征，先要转换字典数据

pandas数据处理

：缺失值，数据转换，重复值（不用处理)

sklearn：对特征进行处理

特征值（具体特征：身高/体重）->目标值（具体要达到的目的：如区分男女）

深度学习

_.startwith()

在字符串的驻留机制

a,b同时使用一个对象（仅包含字母、数字、_ ）

join  !!!

拼接合并

ord()  把字符转换成Unicode码

chr() 把。。。。

神经网络和BP算法

为什么会提出神经网络解决问题

神经网络：大量的结构简单、功能相近的神经元节点按一定的体系架构连接成的网状结构——模拟大脑结构

作用：

分类

模式识别

连续值预测

总的来说就是建立一种输入输出的映射关系；

人工神经网络

神经元：输入向量、权重、偏执

一般浅层网络是3~5层

前馈神经网络：

同一层的神经元之间没有相互连接，层间信息的传送只沿着一个方向进行；

学习的过程实际上是对权重的更改

目标：输出和实际输出越接近越好

梯度下降：

随机梯度下降算法：梯度下降

在传入模型的开始，首先要对数据预处理、特征提取、特征选择、再到推理、预测或者识别

布尔值  true false

链式赋值

隐马可夫链，

期望不能反映收益，

花了一点时间看完视频，复习了一些基础知识，像turtle函数，平时不用都已经忘记有这个东西了，重新拾起感觉还可以，再是程序的构成、变量的声明之类的，讲的很详细。

print('a')
print('b')
print('c')
代码保存在D盘python_1文件夹内

机器学习：使用计算机设计一个系统，使它能够根据提供的训练数据按照一定的方式来学习；随着训练次数的增加，该系统可以在性能上不断学习和改进；通过参数优化的学习模型，能够用于预测相关问题的输出。（强调学习 而不是专家系统）

有监督 

无监督 

强化学习（带反馈）

机器学习：数据清洗/特征选择；确定算法模型/参数优化；结果预测

不能解决：大数据存储/并行计算；做一个机器人

目标函数取最小称 损失函数

数据收集--->数据清洗----->特征工程----->数据建模

hessian矩阵 对称--》4>0 二阶行列式>0----》正定---->凸函数

类.mro()显示类的层结构

dir()查看类属性

子类中重写父类他函数

事件：样本点的合集

事件运算：

包含，等价，对立（逆事件）

AUB, A,B事件的并

A∩B=AB，A,B事件的交集

AB=空集， A∪B=A+B 称为和

A-B=AB(逆)

交换律A∪B=B∪A， AB=BA

结合律（A∪B）∪C=A∪（B∪C），ABC=A(BC)

分配律(A∪B)∩C=AC ∩ BC

（A∩B）∪C=(A∪C)∩（B∪C）

德摩根定理：分开反号