AI 入门 30 天挑战 - Day 5 费曼学习法版 K-means 聚类
·
🌟 完整项目和代码
本教程是 AI 入门 30 天挑战 系列的一部分！
- 💻 GitHub 仓库: https://github.com/Lee985-cmd/AI-30-Day-Challenge
- 📖 CSDN 专栏: https://blog.csdn.net/m0_67081842?type=blog
- ⭐ 欢迎 Star 支持！
今天学习 K-means 聚类（无监督学习）！
没有答案也能学习！
每个概念都解释！每行代码都说明白！
预计时间：2-3 小时（含费曼输出练习）
📖 第 1 步：快速复习前几天的内容（20 分钟）
费曼输出 #0：考考你
合上教程，尝试回答：
□ 什么是监督学习？用自己的话解释，不要用"有标签数据"这种术语
□ SVM 的核心思想是什么？用至少 2 个生活例子说明
□ 支持向量有什么特点？为什么重要？
□ 如果让你向朋友解释核技巧，你会怎么说？
⏰ 时间：15 分钟
如果都能答出来，我们开始今天的内容！如果有忘记的，花 5 分钟翻一下 Day04。
🔮 第 2 步：什么是无监督学习？（30 分钟）
故事时间 📚
想象你在整理书架上的书：
情况 1：监督学习（有人告诉你怎么分）
妈妈告诉你：
- 这些是小说，放一层
- 这些是科普，放一层
- 这些是历史，放一层
你照做就好了 → 监督学习 ✅
情况 2：无监督学习（没人告诉你，自己发现规律）
给你一堆书，什么都不说：
你自己观察：
- 咦？这些书都有故事情节 → 可能是小说
- 那些书都是讲科学的 → 可能是科普
- 还有一些讲古代的事 → 可能是历史
你自己发现了分类规律 → 无监督学习 ✅
核心区别
监督学习 = 有老师教
✓ 给数据 + 给答案
✓ 就像考试有标准答案
✓ 我们学过的：KNN、决策树、SVM
无监督学习 = 自学
✓ 只给数据 + 没答案
✓ 就像自由探索，自己发现规律
✓ 今天要学的：K-means 聚类
🎯 费曼输出 #1：解释无监督学习
任务 1：向小学生解释
场景： 有个小朋友问你："什么是无监督学习呀？"
要求：
- 不用"聚类"、"无标签"、"模式发现"这些专业术语
- 用游戏、学校、家庭等生活场景比喻
- 让小学生能听懂
参考模板：
"无监督学习就像______一样。
比如你有一堆积木，
没有人告诉你怎么分，
但是你自己发现______，
于是你把______放在一起，
把______放在一起。
这就是无监督学习！"
⏰ 时间：15 分钟
💡 卡壳检查点
如果你在解释时卡住了：
□ 我说不清楚监督学习和无监督学习的本质区别
□ 我不知道如何解释"没有答案也能学习"
□ 我只能背诵定义，不能用生活中的例子
这很正常！ 标记下来，回去再看上面的内容，然后重新尝试解释！
提示：
- 监督学习 = 老师教你做题
- 无监督学习 = 你自己玩着玩着就学会了
🎯 第 3 步：K-means 聚类的工作原理（50 分钟）
核心思想：物以类聚
生活中的例子：
想象你在组织班级合影排队：
第 1 步：随便选 3 个位置站
● ● ●
(1 班) (2 班) (3 班)
第 2 步：同学们站到最近的中心点
矮个子 中等个 高个子
●●●● ●●●● ●●●●
第 3 步：调整中心点（移到平均位置）
● ● ●
●●●● ●●●● ●●●●
第 4 步：重复 2-3 步，直到稳定
不再变化了，就排好了！✅
K-means 的详细步骤
算法流程：
1. 选择 K 值（要分成几类）
→ 比如 K=3，就是分成 3 类
2. 随机初始化 K 个中心点
→ 随便选 3 个位置
3. 分配样本到最近的中心点
→ 每个点找离自己最近的老大
4. 更新中心点（移到平均值位置）
→ 老大移到小弟们的中心位置
5. 重复 3-4 步，直到不再变化
→ 收敛完成！✅
关键概念解释
K 值：
→ 要分成的类别数
→ 需要提前指定
→ 怎么选？后面会讲（肘部法则）
质心（Cluster Center）：
→ 每个类的中心点
→ 所有点的平均位置
→ 就像"老大"的位置
距离：
→ 通常用直线距离（欧氏距离）
→ 越近越相似
→ 就像物理上的距离
🎯 费曼输出 #2：深入理解 K-means
任务 1：创造多个比喻
场景： 向不同背景的人解释 K-means
对小朋友：
用"分糖果"、"排队伍"等例子
对非技术人员：
用"分小组"、"归类整理"等例子
要求： 每个场景至少创造一个比喻
任务 2：解释为什么要迭代
思考题：
1. 为什么不能一次就分好，要反复迭代？
2. 每次迭代在做什么？
3. 什么时候停止迭代？
⏰ 时间：20 分钟
💡 卡壳检查点
□ 我解释不清迭代的目的
□ 我说不明白为什么中心点会移动
□ 我不能用生活中的例子说明
提示：
- 迭代 = 逐步改进
- 就像调音，越调越准
- 第一次分得不好，慢慢调整就好
💻 第 4 步：动手实现 K-means（60 分钟）
第 1 步：准备环境
在命令行输入：
pip install scikit-learn matplotlib
第 2 步：第一个 K-means 模型
打开 Jupyter Notebook，新建笔记本，输入：
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
import numpy as np
print("=" * 50)
print("🔮 K-means 聚类初体验！")
print("=" * 50)
# 1. 创建数据集（模拟真实数据）
X, y_true = make_blobs(
n_samples=300, # 300 个样本
centers=4, # 4 个中心（真实的类别数）
n_features=2, # 2 个特征（方便画图）
cluster_std=0.8, # 每个类的分散程度
random_state=42
)
print(f"\n数据集信息：")
print(f"样本数：{len(X)}")
print(f"特征数：{X.shape[1]}")
print(f"真实类别数：{len(np.unique(y_true))}")
# 2. 可视化原始数据（假装我们不知道标签）
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], alpha=0.6, s=50)
plt.xlabel('特征 1')
plt.ylabel('特征 2')
plt.title('原始数据（没有标签）')
plt.grid(True, alpha=0.3)
plt.show()
# 3. 创建 K-means 模型（假设我们知道 K=4）
kmeans = KMeans(
n_clusters=4, # 分成 4 类
init='k-means++', # 智能初始化（更快收敛）
n_init=10, # 运行 10 次，选最好的
max_iter=300, # 最多迭代 300 次
random_state=42
)
# 4. 训练模型（拟合数据）
print("\n正在训练 K-means...")
kmeans.fit(X)
print("✅ 训练完成！")
# 5. 获取聚类结果
labels = kmeans.labels_ # 每个样本的类别
centers = kmeans.cluster_centers_ # 聚类中心
print(f"\n聚类结果：")
print(f"找到 {len(np.unique(labels))} 个类别")
print(f"聚类中心坐标：\n{centers}")
# 6. 可视化聚类结果
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 6))
# 左图：真实标签
ax1.scatter(X[:, 0], X[:, 1], c=y_true, cmap='viridis',
alpha=0.6, s=50, edgecolors='k')
ax1.set_title('真实类别（上帝视角）', fontsize=12)
ax1.set_xlabel('特征 1')
ax1.set_ylabel('特征 2')
ax1.grid(True, alpha=0.3)
# 右图：K-means 预测
ax2.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis',
alpha=0.6, s=50, edgecolors='k')
ax2.scatter(centers[:, 0], centers[:, 1], c='red',
s=200, marker='*', label='聚类中心')
ax2.set_title('K-means 聚类结果', fontsize=12)
ax2.set_xlabel('特征 1')
ax2.set_ylabel('特征 2')
ax2.legend()
ax2.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
print("\n" + "=" * 50)
print("🎊 恭喜！你学会了 K-means 聚类！")
print("=" * 50)
按 Shift + Enter 运行！
🎯 费曼输出 #3：解释代码含义
逐行解释给小白听
任务： 假装你在教一个完全不懂编程的人
要解释清楚：
1. KMeans(n_clusters=4) 是在做什么？
2. init='k-means++' 是什么意思？为什么不用随机的？
3. n_init=10 和 max_iter=300 分别代表什么？
4. labels_ 和 cluster_centers_ 有什么区别？
5. 为什么说这是"无监督"学习？
要求：
- 不用"聚类"、"质心"、"迭代"等术语
- 用生活化的比喻
- 每行代码都要说明白
参考思路：
"KMeans(n_clusters=4) 就像是______"
"k-means++ 就像是______"
"n_init=10 就像是______，max_iter=300 就像是______"
"labels_ 就像是______，cluster_centers_ 就像是______"
⏰ 时间：25 分钟
💡 卡壳检查点
□ 我解释不清 k-means++ 的优势
□ 我分不清 n_init 和 max_iter 的区别
□ 我说不明白为什么需要多次运行
□ 我不知道 labels 是怎么来的
提示：
n_clusters= 要分几组（比如 4 组）k-means++= 聪明地选起点（不是瞎选）n_init= 跑 10 次，选最好的（避免运气不好）max_iter= 最多调整 300 次（防止没完没了）labels_= 每个人的分组编号cluster_centers_= 每组的中心位置
🎯 第 5 步：如何选择 K 值？（40 分钟）
问题：K 值应该设多少？
核心方法：肘部法则
就像买衣服选尺码：
太小 → 不舒服
太大 → 不好看
适中 → 刚刚好
肘部法则的原理
print("=" * 50)
print("🔧 实验：肘部法则选 K 值")
print("=" * 50)
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import numpy as np
# 使用之前的数据 X
# 尝试不同的 K 值（从 1 到 10）
inertias = [] # 存储每个 K 值的误差
for k in range(1, 11):
kmeans_k = KMeans(n_clusters=k, random_state=42, n_init=10)
kmeans_k.fit(X)
# 获取惯性（误差的度量）
inertia = kmeans_k.inertia_
inertias.append(inertia)
print(f"K={k:2d} → 惯性（误差）: {inertia:.2f}")
# 画肘部图
plt.figure(figsize=(10, 6))
plt.plot(range(1, 11), inertias, 'bo-', linewidth=2, markersize=8)
plt.xlabel('K 值（类别数）', fontsize=12)
plt.ylabel('惯性（误差）', fontsize=12)
plt.title('肘部法则 - 选择最佳 K 值', fontsize=14)
plt.grid(True, alpha=0.3)
# 标记"肘部"位置
plt.annotate('肘部 →', xy=(4, inertias[3]),
xytext=(5, inertias[3] + 100),
arrowprops=dict(facecolor='black', shrink=0.05),
fontsize=12, color='red')
plt.show()
print("\n结论：")
print("✓ K 太小 → 误差大（分得太粗）")
print("✓ K 太大 → 误差小但过拟合（分得太细）")
print("✓ 最佳 K = 肘部位置（拐点）")
print("✓ 如图中的 K=4")
为什么叫"肘部"？
看这个图的形状：
惯性
│
│ ●
│ ●
│ ● ← 这里像胳膊肘！
│ ●
│ ●
│ ●
└───────────── K
在"肘部"位置，下降速度明显变缓
就像胳膊弯曲的地方 → 所以叫"肘部法则"
🎯 费曼输出 #4：深入理解肘部法则
任务 1：用故事解释 K 值选择
场景： 给小朋友讲一个选餐厅的故事
故事框架：
你要选一个餐厅请客：
K=1 → 只去一家最大的
所有人都挤在一起，体验很差 ❌
K=2 → 选两家
还是有点挤，但好一些了
K=3 → 选三家
开始合理了，大家都能坐舒服
K=4 → 选四家 ← 刚刚好！✅
每家店都不挤，也不会太远
K=10 → 选十家
每家店只有几个人，但跑断腿 ❌
所以 K=4 是最好的！
任务 2：解释惯性的含义
思考题：
1. 惯性（inertia）是什么？
2. 为什么 K 越大，惯性越小？
3. 既然 K 越大越好，为什么不选 K=100？
⏰ 时间：20 分钟
💡 卡壳检查点
□ 我解释不清惯性的物理意义
□ 我说不明白为什么要有 trade-off
□ 我不能用生活中的例子说明
提示：
- 惯性 = 组内差异的总和
- K 越大 = 每组越小 = 差异越小
- 但 K 太大 = 过度细分 = 失去意义
🎨 第 6 步：实战项目：客户分群（50 分钟）
背景介绍
你是电商公司的数据分析师
老板给你一堆客户数据：
- 年龄、收入
- 消费金额、消费频率
- 浏览时长、点击次数
目标：把客户分成几类
→ 了解不同类型的客户
→ 制定针对性的营销策略
完整项目代码
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
print("=" * 50)
print("🛒 客户分群实战项目")
print("=" * 50)
# 1. 创建模拟数据
print("\n正在创建客户数据...")
np.random.seed(42)
n_customers = 500
# 创建 4 种不同类型的客户
# 类型 1：高价值客户（有钱、爱买）
high_value = pd.DataFrame({
'age': np.random.normal(35, 8, 100),
'income': np.random.normal(80000, 15000, 100),
'spending_score': np.random.normal(80, 10, 100),
'visit_frequency': np.random.normal(20, 5, 100)
})
# 类型 2：年轻冲动型（年轻、钱不多但爱买）
young_impulsive = pd.DataFrame({
'age': np.random.normal(22, 3, 150),
'income': np.random.normal(25000, 8000, 150),
'spending_score': np.random.normal(70, 15, 150),
'visit_frequency': np.random.normal(25, 8, 150)
})
# 类型 3：理性消费型（中年、收入稳定、谨慎消费）
rational = pd.DataFrame({
'age': np.random.normal(45, 10, 150),
'income': np.random.normal(60000, 12000, 150),
'spending_score': np.random.normal(40, 10, 150),
'visit_frequency': np.random.normal(8, 3, 150)
})
# 类型 4：低活跃型（年纪大、不常来）
low_active = pd.DataFrame({
'age': np.random.normal(55, 12, 100),
'income': np.random.normal(40000, 15000, 100),
'spending_score': np.random.normal(20, 8, 100),
'visit_frequency': np.random.normal(3, 2, 100)
})
# 合并数据
data = pd.concat([high_value, young_impulsive, rational, low_active], ignore_index=True)
data.columns = ['Age', 'Income', 'SpendingScore', 'VisitFrequency']
print(f"✓ 数据创建完成！")
print(f"客户总数：{len(data)} 人")
print(f"特征数量：{data.shape[1]} 个")
# 2. 数据标准化（很重要！）
print("\n正在标准化数据...")
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)
print("✓ 标准化完成！")
print("为什么要标准化？")
print("→ 避免数值大的特征主导（如收入 vs 访问次数）")
# 3. 用肘部法则选 K 值
print("\n正在寻找最佳 K 值...")
inertias = []
K_range = range(1, 11)
for k in K_range:
kmeans_temp = KMeans(n_clusters=k, random_state=42, n_init=10)
kmeans_temp.fit(data_scaled)
inertias.append(kmeans_temp.inertia_)
# 画肘部图
plt.figure(figsize=(10, 6))
plt.plot(K_range, inertias, 'bo-', linewidth=2, markersize=8)
plt.xlabel('K 值', fontsize=12)
plt.ylabel('惯性（误差）', fontsize=12)
plt.title('肘部法则 - 选择最佳 K 值', fontsize=14)
plt.grid(True, alpha=0.3)
plt.xticks(K_range)
plt.show()
# 从图中可以看出 K=4 是肘部
optimal_k = 4
print(f"\n根据肘部法则，最佳 K 值 = {optimal_k}")
# 4. 训练最终模型
print(f"\n正在训练 K-means 模型（K={optimal_k}）...")
kmeans_final = KMeans(
n_clusters=optimal_k,
init='k-means++',
n_init=10,
max_iter=300,
random_state=42
)
data['Cluster'] = kmeans_final.fit_predict(data_scaled)
print("✅ 模型训练完成！")
# 5. 分析每个群体的特征
print("\n" + "=" * 50)
print("📊 各群体特征分析")
print("=" * 50)
cluster_summary = data.groupby('Cluster').mean()
print(cluster_summary.round(2))
# 6. 可视化聚类结果
fig, axes = plt.subplots(2, 2, figsize=(16, 12))
# 图 1：年龄 vs 收入
scatter1 = axes[0, 0].scatter(data['Age'], data['Income'],
c=data['Cluster'], cmap='viridis',
alpha=0.6, s=50)
axes[0, 0].set_title('年龄 vs 收入', fontsize=12)
axes[0, 0].set_xlabel('年龄')
axes[0, 0].set_ylabel('年收入（元）')
plt.colorbar(scatter1, ax=axes[0, 0])
# 图 2：收入 vs 消费评分
scatter2 = axes[0, 1].scatter(data['Income'], data['SpendingScore'],
c=data['Cluster'], cmap='viridis',
alpha=0.6, s=50)
axes[0, 1].set_title('收入 vs 消费评分', fontsize=12)
axes[0, 1].set_xlabel('年收入（元）')
axes[0, 1].set_ylabel('消费评分')
plt.colorbar(scatter2, ax=axes[0, 1])
# 图 3：访问频率 vs 消费评分
scatter3 = axes[1, 0].scatter(data['VisitFrequency'], data['SpendingScore'],
c=data['Cluster'], cmap='viridis',
alpha=0.6, s=50)
axes[1, 0].set_title('访问频率 vs 消费评分', fontsize=12)
axes[1, 0].set_xlabel('年访问次数')
axes[1, 0].set_ylabel('消费评分')
plt.colorbar(scatter3, ax=axes[1, 0])
# 图 4：各群体人数分布
cluster_counts = data['Cluster'].value_counts().sort_index()
axes[1, 1].bar(cluster_counts.index, cluster_counts.values,
color=['#FF6B6B', '#4ECDC4', '#45B7D1', '#FFA07A'])
axes[1, 1].set_title('各群体人数分布', fontsize=12)
axes[1, 1].set_xlabel('群体编号')
axes[1, 1].set_ylabel('人数')
axes[1, 1].grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
# 7. 给出营销建议
print("\n" + "=" * 50)
print("💡 营销策略建议")
print("=" * 50)
for i in range(optimal_k):
cluster_data = data[data['Cluster'] == i]
avg_age = cluster_data['Age'].mean()
avg_income = cluster_data['Income'].mean()
avg_spending = cluster_data['SpendingScore'].mean()
avg_visits = cluster_data['VisitFrequency'].mean()
print(f"\n群体 {i}:")
print(f" 平均年龄：{avg_age:.1f} 岁")
print(f" 平均收入：{avg_income:.0f} 元")
print(f" 平均消费评分：{avg_spending:.1f}")
print(f" 平均访问次数：{avg_visits:.1f} 次/年")
# 根据特征给出建议
if avg_income > 60000 and avg_spending > 60:
print(f" 💰 策略：VIP 服务，高端产品推荐")
elif avg_age < 30 and avg_spending > 50:
print(f" 🎯 策略：社交媒体营销，限时折扣")
elif avg_visits < 10:
print(f" 📢 策略：唤醒活动，发送优惠券")
else:
print(f" 📊 策略：保持关注，适度促销")
print("\n" + "=" * 50)
print("🎊 恭喜！你完成了客户分群项目！")
print("=" * 50)
🎯 费曼输出 #5：完整项目讲解
任务：当一次数据分析师
场景： 你要向老板汇报客户分群的成果
要覆盖的内容：
1. 项目背景和目标
2. 数据来源和特征
3. 为什么需要标准化？
4. 如何选择 K 值？
5. 发现了哪些客户群体？
6. 每个群体的特点是什么？
7. 针对性的营销建议
方式：
- 📊 做一个 10 分钟的汇报 PPT
- 🎤 录一段讲解视频
- 👥 找个朋友，完整地讲给他听
⏰ 时间：30 分钟
🎉 今日费曼总结（30 分钟）⭐
完整的费曼学习流程
第 1 步：回顾今天的内容（5 分钟）
□ 无监督学习 vs 监督学习
□ K-means 的工作原理
□ 肘部法则选 K 值
□ 客户分群实战项目
第 2 步：合上教程，尝试完整教授（15 分钟）⭐
任务： 假装你在给一个完全不懂的人上第五堂课
要覆盖：
- 无监督学习的核心思想（至少 2 个比喻）
- K-means 的工作流程（用生活例子）
- 为什么要用肘部法则？
- 客户分群项目的完整流程
方式：
- 📝 写一篇 800 字左右的文章
- 🎤 录一段 10-15 分钟的视频
- 👥 找个朋友，给他讲一遍
第 3 步：标记卡壳点（5 分钟）
我今天卡壳的地方：
□ _________________________________
□ _________________________________
□ _________________________________
第 4 步：针对性复习（5 分钟）
回到教程中卡壳的地方，重新学习，然后再次尝试解释！
📝 费曼学习笔记模板
╔═══════════════════════════════════════════════════╗
║ Day 5 费曼学习笔记 ║
╠═══════════════════════════════════════════════════╣
║ 日期：__________ ║
║ 学习时长：__________ ║
╠═══════════════════════════════════════════════════╣
║ ║
║ 1. 我向小白解释了： ║
║ _______________________________________________ ║
║ _______________________________________________ ║
║ ║
║ 2. 我卡壳的地方： ║
║ □ _____________________________________________ ║
║ □ _____________________________________________ ║
║ ║
║ 3. 我的通俗比喻： ║
║ • 无监督学习就像 ______ ║
║ • K-means 就像 ______ ║
║ • 肘部法则就像 ______ ║
║ ║
║ 4. 我还想知道： ║
║ _______________________________________________ ║
║ ║
╚═══════════════════════════════════════════════════╝
📊 今日总结
✅ 你今天学到了：
1. 无监督学习
- 没有答案也能学习
- 自己发现数据规律
- 物以类聚的思想
2. K-means 聚类
- 迭代优化的过程
- 分配→更新→再分配
- 直到收敛
3. 肘部法则
- 选择合适的 K 值
- 平衡过拟合和欠拟合
- 找到"拐点"
4. 完整项目
- 客户分群实战
- 数据标准化
- 特征分析和营销策略
5. 费曼输出能力 ⭐
- 能用比喻解释无监督学习
- 能向小白说明 K-means
- 能完整讲解项目
🎁 明日预告
明天你将学习：
主题：模型评估和优化
内容：
✓ 准确率、精确率、召回率
✓ 过拟合和欠拟合
✓ 交叉验证
✓ 正则化技术
需要准备：
✓ 复习今天的 K-means
✓ 了解什么是"评估指标"
✓ 保持好奇心！
🆘 常见问题
Q1: K-means 适合什么情况？
适合：
✓ 数据量较大
✓ 特征都是数值型
✓ 类别比较明显
✓ 需要简单快速的方法
不适合：
✗ 类别形状不规则
✗ 有噪声或异常值
✗ 类别大小差异很大
Q2: 如何处理 categorical 特征？
方法 1：独热编码（One-Hot Encoding）
male/female → [1,0] / [0,1]
方法 2：标签编码（Label Encoding）
male/female → 0/1
方法 3：用其他聚类算法
如 K-modes（专门处理类别型）
💪 最后的鼓励
第五天完成了！ 🎉
你已经学会了：
✓ K 近邻（Day 2）
✓ 决策树和随机森林（Day 3）
✓ SVM（Day 4）
✓ K-means 聚类（Day 5）
四种强大的算法！
你现在已经掌握了机器学习的核心技能！
更重要的是：
✓ 你能用自己的话解释抽象概念了
✓ 你能创造生动的比喻了
✓ 你能发现并解决知识盲点了
✓ 你能对比不同算法了
继续加油！明天学习模型评估！💪
记住费曼的话：
"如果你不能简单地解释它，你就没有真正理解它"
今天你能用自己的话解释 K-means 和无监督学习了吗？
如果能，你就真的学会了！
加油！我相信你一定可以的！✨
📞 打卡模板
日期：___________
学习时长：_______ 小时
费曼输出次数：_______ 次
今天学会了：
遇到的卡壳点：
如何用比喻解释的：
明天的目标：
明天见！继续加油！ ✨
🔗 相关链接
🌐 项目资源
- 💻 GitHub 仓库: https://github.com/Lee985-cmd/AI-30-Day-Challenge
- 📖 CSDN 专栏: https://blog.csdn.net/m0_67081842?type=blog
- ⭐ 如果觉得有帮助，请给 GitHub 仓库 Star 支持！
本教程属于 AI 入门 30 天挑战 系列
💬 互动时间
思考题：今天的知识点中，哪个让你印象最深刻？为什么？
欢迎在评论区分享你的想法或疑问！👇
❤️ 如果有帮助
- 👍 点赞：让更多人看到这篇教程
- ⭐ Star GitHub：获取完整代码和项目
- ➕ 关注专栏：不错过后续更新
- 🔄 分享给朋友：一起学习进步
明天见！继续 Day 6 的学习~ 🚀
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
11
0- 0
已为社区贡献45条内容
所有评论(0)