本文系统介绍了Python中五种主要容器的特性与操作方法。内容涵盖列表、字符串、元组、集合和字典的定义方式、核心特性（有序性、可重复性、可变性）以及常用操作。重点讲解了各容器的增删改查方法，包括列表的切片操作、字符串处理方法、集合的运算规则以及字典的键值访问技巧。通过对比表格清晰展示了不同容器的区别，并提供了合并列表去重排序的实践案例，帮助读者全面掌握Python容器类型的使用场景和操作方法。

本文从实际开发角度梳理 CSS3 关键知识点。先对比 vw/vh 与 em/rem 的区别及继承规则，再通过“小羊图片”案例逐步演示 background-origin、clip、size 如何控制背景显示。接着讲解 box-sizing 的全局重置、box-shadow 内外阴影、opacity 与 rgba 的差异，以及文本换行 white-space 和溢出省略。每部分都配有代码示例和应用场

本文总结 CSS3 渐变（线性、径向、重复）的方向控制、圆心位置、形状大小、色标设置，并通过横格纸和立体球案例加深理解。详细讲解 @font-face 加载服务器字体的流程，针对中文字体体积过大问题，提供 font-display: swap 体验优化和字体裁剪（在线工具/自定义裁剪+本地部署）根本解决方案。对比字体图标与传统图片的优劣，介绍 Unicode、Font class、Symbol 三

通过这篇笔记，我们从计算机网络出发，理清了 AI 应用通信的底层逻辑；然后深入对比了三种大模型部署方式，并实战了官方 API 调用和本地 Ollama 部署；最后理解了会话记忆的真相“历史消息滚雪球”，并学会了用 Python 优雅地调用模型。

本篇围绕数据划分与特征工程的核心展开。首先说明数据划分必须先于需“学参数”的预处理，防止数据泄漏，并给出train_test_split的用法。随后梳理特征提取：DictVectorizer对字典做One-Hot编码，CountVectorizer基于词袋统计词频，TfidfVectorizer引入逆文档频率衡量词的重要度。特征预处理部分对比归一化（缩放到固定区间）与标准化（转为均值为0、标准差为

文章梳理了机器学习的基础知识框架：AI/ML/DL三者的定义与关系、常用术语（数据集、样本、特征、标签）、四大分支（有监督、无监督、半监督、强化学习）的对比、项目完整流程的五个步骤，以及特征工程五大概念（提取、预处理、降维、选择、组合）的总览，最后讲解欠拟合、过拟合与泛化能力。

本文是一篇系统整理的KNN算法学习笔记。内容从“近邻相似”的直观思想出发，梳理了KNN的分类与回归步骤，深入讲解了欧氏距离、曼哈顿距离等常用相似性度量及KD树的加速检索原理，并分析了K值大小对模型过拟合与欠拟合的影响。结合scikit-learn的API用法，进一步补充了交叉验证与网格搜索在超参数调优中的应用，旨在帮助读者构建清晰、可复用的KNN知识框架。

这篇笔记系统梳理了线性回归从原理到实践的完整知识体系。全文从“线性”二字的真正含义出发，厘清了“对参数线性”与“对特征线性”的关键区别，随后沿着训练流程依次拆解损失函数、正规方程与梯度下降两种优化思路，并对梯度、方向导数、学习率等核心概念做了深入浅出的讲解。在过拟合与正则化部分，文章用拉格朗日约束和次梯度扇区等几何视角，直观解释了L1为何能产生稀疏解、L2为何只能压缩权重。最后以“损失+优化+正则

本笔记总结了逻辑回归这一经典分类算法的知识脉络。从线性回归出发，解析了引入 Sigmoid 激活函数将连续输出映射为概率的原理，分析对数似然损失函数的凸性优势与梯度下降优化过程。在实战层面，归纳了 sklearn 中 LogisticRegression 的关键参数、常用方法，并推广至多分类 Softmax。最后深入分类评估体系，对比准确率、精确率、召回率、F1-score 及 ROC/AUC 等

本笔记系统梳理了决策树的核心原理，涵盖分类与回归树的工作流程、划分依据（信息增益、增益率、基尼指数）及其差异，并对ID3、C4.5、CART三种经典算法进行对比。文中详细介绍了回归树基于MSE的切分规则、预剪枝与后剪枝两种防过拟合策略，以及sklearn中DecisionTreeClassifier与DecisionTreeRegressor的API用法和关键调参建议。最后通过与逻辑回归的对比，总