感知机是一种监督学习算法，用于解决线性可分（Linearly Separable）的二分类问题，具体内容如下：
计算预测值：$z=w_1x_1 + w_2x_2 + b$
激活函数为阶跃函数：
参数更新函数：
《白话机器学习中的数学》笔记
机器学习主要擅长包括回归、分类、以及聚类任务
回归是一种预测性的建模技术，用于确定一个或多个自变量（特征）与因变量（目标值）之间的关系，重点预测的是连续的数值。如根据房子的各类信息，预测房屋的价格
分类是将样本划分到不同的类别中，每个类别通常对应一个特定的标签，它是离散的、无序的。如根据邮件的信息判断其是否是垃圾邮件
聚类是将数据集中的样本划分成不同的组，使得同一组内的样本相似度高，而不同组之间的样本相似度低。聚类的结果事先是未知的，算法需要自行发现数据中的潜在结构。比如电商平台对客户进行分组，高消费、低消费等等。同时它和分类的区别就是它是无监督学习，而分类是有监督学习（可以认为是需要提供有正确答案的数据来学习）
这篇文章我们主要来学习一下其中的回归任务
这里需要先介绍一下Function calling，什么是Function calling? 它提供了可以让我们把大模型和外部数据或系统进行连接的能力
举个具体的例子：我们现在有一些如查询订单等信息的接口，我们可以把这些接口工具及参数等详情信息提供给大模型，这样如果在上下文对话中，它判断出需要需要使用这个接口时，就会返回对应的接口及参数值**（注意：大模型只是会判断后返回工具名称和参数，并不会实际进行调用）**
我们可以据此在本地进行实际的调用，获取最终结果进行返回；如果大模型函数不需要这个能力，那么就可以以正常自然语言的方式进行对话内容返回
当然，我们也可以通过设置一些参数，强制大模型使用/不使用工具
这个Function calling能力，各个大模型提供的api可能有所差异，需要看各自对应的API，但是langchain帮我们整合了相关的功能，所以本次我们主要看一下通过它来实现
大模型中一般可以用来进行对话等，但是有一些场景我们可能要基于大模型的返回结果进行一些后续代码的处理，比如进行一些判断，返回结果为是/否，或者生成一些数据我们直接使用，这种情况下我们就需要大模型返回的结构是固定的，这样代码才能够进行解析使用
本篇根据langchain官方文档，简单介绍一下如何使用langchain来让大模型返回结构化数据的几种方式
使用python 3.10.9 langchain0.3，以及百度千帆模型
OkHttp作为一个HTTP客户端，拦截器是其强大的功能之一，它允许用户在请求和响应的声明周期中拦截并修改它们，利用拦截器，我们可以很方便的实现如日志记录、请求加密/签名、响应解密、异常重试等功能。本文将详细介绍一下拦截器的使用方法及其原理
现在对于调用外部http接口的包已经有很多了，比如 Java 原生的 HttpURLConnection，Apache的 HttpClient，Spring的 RestTemplate 以及 WebClient ，Square 的 OkHttp 以及Netflix 的 Feign，从简单到高级功能可以说是应有尽有
不过对于内部都是RPC进行交互的服务，只有一些简单的场景需要调用 HTTP 接口，考虑项目如果为为spring的项目，可以考虑直接使用 RestTemplate
在spring项目中我们可以通过@Value注解使用配置文件中的值，但是有时候我们想注入外部系统（如配置中心）中配置的值，这时候可以通过读取配置中心的值并作为PropertySource注入到Spring的 Environment中来实现
正则表达式是一种强大的文本匹配工具，通过特定的语法规则，可以实现对字符串的灵活匹配。在本文中，我们将介绍一系列常用的正则表达式，覆盖了匹配任意字符、多个字符包含匹配、排除字符包含匹配、重复匹配、单词边界匹配、字符串边界、子表达式（分组）、回溯引用以及前后查找等内容