参考地址：【AB测试】支付宝营销策略效果分析.ipynb 【A/B测试】支付宝营销策略效果分析Programmer:Dan.QDate:2020.06.25A/B测试常用于比较不同设计、运营方案的优劣，以辅助决策。本分析以支付宝营销活动为例，通过广告点击率指标比较两组营销策略的广告投放效果

【开源啦！】Langchain官方文档中文翻译项目——langchain-doc-zh一、项目简介LangChain是使用非常广的大模型编排工具，可以低代码的做大模型各种应用，有点类似在数据分析处理里面Pandas的地位。所以我有了一些想把一些工具的文档翻译成中文的想法。希望对于大家有一些帮助。

importmatplotlib.pyplotaspltfromsklearn.datasetsimportload_irisimportnumpyasnpimportplotly.expressaspx【pyplot】绘制鸢尾花数据#加载鸢尾花数据集返回值的不同iris=load_iris(return_X_y=True)#return（data(ndarrge),target）#iris=

 “.ipynb”文件是使用JupyterNotebook来编写Python程序时的文件。它可以在github直接打开，也可以通过网站打开（都没用过）网站地址—— http://https://nbviewer.jupyter.org/ 下载过Anaconda的，它自带jupyte在菜单打开jupyternotebook（Windows中），就会自动打开http://

使用vscode打开ipynb后缀的文件安装插件点击执行，选择python环境

  python版本3.7~3.9安装nbconvert1pipinstallnbconvert 方式一：需要安装Chromium也有两种方法：1.需要安装Chocolatey（会自动安装Chromium浏览器）1Set-ExecutionPolicyBypass-ScopeProcess-Force;[System.Net.ServicePointManager]::SecurityProtocol=[

 1、安装Python包，其中6.4.4是根据提示确认的必须要大于等于6.4.4pip3installnbconvert==6.4.42、安装Inkscape，官网地址：https://inkscape.org/zh-hans/?switchlang=zh-hans3、安装pandoc，官网地址：https://pandoc.org/installing.html4、安装Tex，可参考：https://nbconvert.re

GitHub上总是加载不出来jupyternotebook文件（.ipynb）,类似下面这样

见：https://github.com/IBM/xgboost-smote-detect-fraud/blob/master/notebook/Fraud_Detection.ipynb 可以看到在不使用smote前，召回率和精度都不好（对恶意样本），使用了smote做数据增强后，两个指标都好了很多。 

今天继续学习《动手学习深度学习》第3章：线性神经网络、第4章：多层感知机，今天学到的内容主要有这两章的概念，另外，完成了Kaggle房价预测的代码复现（Kaggle_HousePricePrediction.ipynb）。一、理论部分：1、概念解释：超参数：可以调整但不在训练过程中更新的参数称为超参数2、DL操作数

登录:https://colab.research.google.com/github/将github上的ipynb文件路径复制到框里面即可。

本文内容：将GitHub上ipynb源码格式的书籍转成pdf应用场景：GitHub上某些书籍按章节使用ipynb格式存储(Jupyter创建了一种良好的交互方式，即将程序说明和代码放在同一个文档中

-什么是requests模块？-Python中封装好的一个基于网络请求的模块。-requests模块的作用？-用来模拟浏览器发请求-requests模块的环境安装：-pipinstallreques

推荐github上的一个NLP代码教程：nlp-tutorial，教程中包含常见的NLP模型代码实现（基于TensorFlow和Pytorch），而且教程中的大多数NLP模型都使用少于100行代码。教程说明这是使用Ten

Runpipinstallipynbandthenimporttheothernotebookasfromipynb.fs.full.<notebook_name>import*orfromipynb.fs.full.<notebook_name>import<funct

一元线性回归sklearn一元线性回归代码：https://github.com/xinxuann/MachineLearningNote/blob/main/sklearn-一元线性回归.ipynb梯度下降法-一元线性回归https://gi

岭回归推导过程总结：sklearn代码：https://github.com/xinxuann/MachineLearningNote/blob/main/sklearn-岭回归.ipynb标准方程法-岭回归代码：https://github.com/x

LASSO正则化（惩罚函数）是一阶的函数还能看到哪些是不重要的特征LASSO代码：直接用sklearn的https://github.com/xinxuann/MachineLearningNote/blob/main/sklearn-LASS

标准方程法重点在于推导的过程，会推导一次就行了代码是直接套用推导出来的公式代码：https://github.com/xinxuann/MachineLearningNote/blob/main/线性回归标准方

多元线性回归直接用sklearn库里的调用代码：https://github.com/xinxuann/MachineLearningNote/blob/main/sklearn-多元线性回归.ipynb多项式回归也是直接调用skl

q=1就是岭回归q=2就是lasso其中后面的正则项有新的算法：就是结合了lasso和岭回归的特点代码https://github.com/xinxuann/MachineLearningNote/blob/main/sklearn