主要观点：介绍了用于 Dyalog APL 的相关 APL 项目，重点阐述了 APLearn 库，包括其介绍、用法、可用方法（预处理、监督学习、无监督学习、杂项）及示例。
关键信息：

• APLearn 受 scikit-learn 启发，为 Dyalog APL 实现常见模型和数据预处理工具，具有统一设计和直观接口。
• 组织为四个文件夹，各包含不同方法，多数方法有fit和pred/trans函数。
• 列举了各种可用方法及其超参数，如预处理的PREPROC.NORM等，监督学习的SUP.RIDGE等，无监督学习的UNSUP.PCA等，杂项的分割和度量工具。
• 示例展示了使用 APLearn 在 Adult 数据集上进行二进制分类，包括数据读取、编码、分割、归一化、训练和评估等步骤。
  重要细节：
• APL 的优势在于对多维结构的原生支持、数据并行性和简洁语法，能更好地理解和实现机器学习模型。
• 不同模型的超参数及输出形式有所不同，如部分模型返回概率分布，部分返回连续标量。
• 示例代码中为了清晰展示步骤而较冗长，部分操作可组合以简化。