机器学习绘图模板-100张，值得参考借鉴。

VScode中利用TensorFLow.js实现线性回归源码。

朴素贝叶斯(naive Bayes)是基于贝叶斯定理和条件独立假设的分类方法。该方法是生成方法，即通过数据学习输入/输出的联合概率分布，然后基于此模型，对于给定的输入x，求出后验概率最大的输出y。 1.模型 联合概率分布：P(X,Y) 先验概率(边缘概率)分布： 条件概率分布： 三者关系：条件概率分布=联合概率分布/先验概率。 条件概率分布有指数级数量参数，通过条件独立假设(用于分类的特征在类确定的条件下都是条件独立的)，将朴素贝叶斯法变得简单，但会牺牲一定的分类准确率。 条件独立性假设得到： 2.策略 贝叶斯公式： 朴素贝叶斯法分类时，对给定的输入x，通过学习计算后验概率分布，将后验

以下为该数据集的部分数据，包括年龄、近视 or 远视类型，是否散光，是否容易流泪，最后 1 列为应佩戴眼镜类型：2. 代码实现：a) 创建决策树：按书上流程（如

决策树为了找出最佳节点和最佳的分枝法，创建了几个指标来帮助实现局部最优，简单说一下，对公式感兴趣的也可以自己搜搜看：信息熵：混乱度，不稳定度，不确定性越大，越混

ID3算法试验报告，是WORD格式，里面有程序运行的结果；里面程序比较详细，有很多中文注释！

嵌套式LSTM Cell的Tensorflow实现

数据获取、模型训练、图片上传、图片识别．

CV_interviews_Q-A 不试着去找找实习，不试着被面试官毒打下，都意识不到自己基础的薄弱，很多东西被问到只知道个大概，再深挖一下为什么就支支吾吾答不上来了。深感CV算法岗竞争之激烈，从来都是狭路相逢勇者胜，借找工作的机会好好整理下所学的知识，希望现在好好准备还来时晚，一起努力向要约发起冲击吧！ 本仓库汇总的CV算法岗重要的一些知识点和面试问答，主要分为计算机视觉，机器学习，图像处理和，C ++基础四大块，每个块都有几十个问题，每个问题都会努力做出的详细完整的解答，帮助您理清这些知识点细节。 为了刺激下大家的神经，激发斗志，在往下看之前可以先看看这份经验分享： 。创建本仓库的灵感也就是扩张此文，感谢大佬的分享〜 食用方法 额外添加转换过的PDF版，如果直接下载md文件显示不了一些图片或者公式的话，可以匹配PDF版学习。－－2020.08.14 github上直接看的话很多公式和

概述： 要了解该项目的工作方式，请参阅： : bundle已通过命令node_modules/.bin/webpack --config webpack.local.config.js生成，并且所有生成的文件都位于./djreact/static/bundles/local中 协同合作 金燕（jyan16），张彤（tzhang48），黄则璇（zhuang31），张志伟（zzhang83） 网站部署 ec2-54-196-181-229.compute-1.amazonaws.com 如何运行React： 我们的项目需要python3，pip3和npm。 cd到项目根目录 运行node_modules/.bin/webpack --config webpack.local.config.js生成React包文件。 现在，它们应该存储在backendApp / static / b