Anaconda 環境建置
當進行專業實習報告，並探討求職詐騙識別的研究主題時，我們需要建立和測試多種模型。每個模型可能對環境配置有不同的要求。為了避免因不同套件版本之間的衝突而引發錯誤，我們選擇使用 Anaconda 來管理和配置這些環境。Anaconda 可以有效解決套件版本衝突問題，並且在需要時能夠方便地重建環境，這在開發過程中非常重要。
我們也遇到了 CKIP 不支援最新版本 Python 的問題，為了解決這個問題，我們降低了 Python 版本至 3.8。這樣一來，我們可以確保 CKIP 在我們的環境中能夠正常運行。透過 Anaconda 管理環境，我們能夠輕鬆創建具有特定套件版本的獨立環境，並在不同專案或需求下使用不同的 Python 版本和套件配置，而無需擔心版本衝突問題。這使我們能夠更靈活地進行實驗和測試，同時保持開發過程的穩定性。
CKIP斷詞
通過學習和使用這些 CKIP 的程式碼，我們從中了解到了:
-
文本預處理： 學會了如何處理原始文本資料，包括使用字串替換操作來清理文本中的雜訊資料。並了解如何使用 CKIP 提供的分詞器 CkipWordSegmenter 對中文文本進行分詞處理，將文本轉換為詞清單。也學習了如何使用 CKIP 提供的詞性標注器 CkipPosTagger 為分詞結果添加詞性標注資訊。並掌握了如何根據特定規則（例如移除單個字元的詞）清理分詞和詞性標注後的結果，提高文本資料的品質。
-
自然語言處理工具的使用： 了解並實踐了如何使用 ckip_transformers 庫中的分詞器、詞性標注器和命名實體識別器。
機器學習
在我們的研究中，我們採用了邏輯回歸（Logistic Regression）、高斯貝氏（Gaussian Naive Bayes）、隨機森林（RandomForest）和決策樹（Decision Tree）這四種分類模型，並對它們的表現進行了詳細評估。為了全面了解每個模型的性能，我們使用了多種評估指標，包括精確度（Precision）、召回率（Recall）、F1分數（F1 Score）、準確率（Accuracy）和ROC AUC分數（ROC AUC Score）。
深度學習
我們目前正在深入學習一些深度學習技術，如卷積神經網路（CNN）和雙向編碼器表示（BERT）。這些技術在自然語言處理和圖像識別等領域表現出色，我們希望通過掌握它們來進一步提升求職詐騙識別的能力。