分类目录归档：学习
steamlit-extras是一个 Python 库，汇集了很多有用的 Streamlit 代码
功能概述（部分）：
add_vertical_space：增加空白行，常用于调整布局altex：快速制作 Streamlit 图表，API 简单实用annotated_text：文本显示格式优化（高亮、注释、文本框）app_logo：在目录左上角显示指定的 LOGObadge：创建自定义徽章（比如 PyPI, GitHub, Twitter, Buy Me a Coffee）colored_header：标题美化，显示带有彩色下划线/添加标题说明center_runn随着 AI 模型的能力提升，人类需要一些更有趣的测试集来刁难他们~
SWE-bench 是一个在现实软件工程（GitHub）环境中评估 LMs 的基准
SWE-ben
“向量数据”：向量数据是由多个数值组成的序列，可以表示数据的大小和方向
向量数据库是一种专门用于存储和查询向量数据的数据库系统，
局
# Credits: https://linuxhandbook.com/clear-pip-cache/
pip cache info # 查看缓存信息
pip cache list # 查找各个包的缓存
pip cache dir # 查找缓存所在的目录
pip cache remove [package_name] # 从缓存中删除特定包
pip cache remove *Streamlit 是一个 Python 库，能够用于使用 Python 创建可交互的、数据驱动的网页应用
pip install streamlit # 安装
streamlit hello # 测试安装是否成功
启动命令：streamlit run your_script.py [-- script args]
快速上手：Streamlit 快速上手
常用技巧：
LDA 算法是一种监督学习的降维技术
LDA算法降维流程如下：
输入：数据集 $D = { (x_1,y_1),(x_2,y_2), ... ,(x_m,y_m) }$，其中样本 $x_i$ 是n维向量，$y_i \in {C_1, C_2, ..., C_k}$
最常用的10个超参数（原生API，兼容Scikit-learn的API，常见取值范围）：
num_boost_round：训练期间所需要的基学习器数量，默认100；在应对较大数据集时，一般控制在5000~10000左右（影响训练时间的重要因素）；一个常用技巧是先设定一个较高的数值，然后结合early-stopping来获得一个较优的模DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基于密度的、对噪声鲁棒的空间聚类方法）是一种基于密度的经典聚类算法
