机器学习与数据科学 机器学习和数据挖掘：回归[线性（选择和收缩，降维，超出线性范围）和非线性回归（逻辑，K-NN，树）]，交叉验证（LOOCV，K折，偏差与方差） ，分类（LDA，QDA，K-NN，物流，树，SVM），聚类（PCA，K-Means，分层）本课程将介绍数据挖掘/统计学习的主要主题，包括：统计基础，数据可视化，分类，回归，聚类。 重点将放在统计学习方法，其背后的模型，直觉和假设以及对实际问题的应用上。 您可以在stats 415项目文件夹中找到我的最终项目。 项目总结 实施整个学期学习的所有分类器，以预测通过BMI分类的美国肥胖率，其中最佳分类器为7倍KNN，预测准确性为81.54％ 分析模型选择方法以提供最佳模型并找到最佳预测因子； 结论是可以根据收入，饮食习惯，运动习惯和购物习惯来非参数地预测BMI

CTA-861-G.pdf

基于均匀设计和NN-GA的CAD模型多目标直接优化方法.pdf

利用欧几里得距离和样本投票实现的KNN分类器，输入包括训练数据、测试数据、K距离，输出是测试数据的分类结果。

原版高清PDF，详细的讲述了state flow的使用方法和建模技巧，不错的书

心脏病发作预测 使用Logistic回归，K最近邻，支持向量机和内核支持向量机算法（无需探索性数据分析）通过机器学习进行简单的心脏病发作预测。

Feedforward Backpropagation Neural Networks（BP神经网络的Matlab程序），可通过运行test_example_NN.m实现对手写数字的训练学习

实现三类螺旋分布的三类点的区分，分布采用线性分类的方法和softmax分类器分类器的使用，简单神经网络的流程。python3.6

播放列表推荐者-预测音频文件的流派和风格 帮助音乐网站准确预测流派和情绪的辅助模型。 如今，一切都与个性化有关，这增加了使用音乐信息检索（MIR）中的深度学习领域进行的研究和完成的工作数量。 音乐的价位和流派在音乐推荐系统中起着重要的作用。 该项目旨在通过使用-CNN，RCNN，CNN-LSTM和CNN-GRU等模型来帮助音乐网站准确识别音频文件的类型和价。 数据与功能 通过从免费音乐档案（FMA）中提取30秒的音乐音频来创建数据集。 它包括“摇滚”，“流行”，“民间”，“乐器”和“电子”五种音乐流派。 使用librosa库提取每个音频剪辑的特征，例如梅尔频谱图和梅尔频率倒谱系数（MFCC）作为输入。 功能选择：使用梅尔频谱图和MFCC，因为频段在梅尔刻度上等距分布，这近似于人类听觉系统的响应 出于Keunwoo Choi的工作，我使用Yu等人Choi等人建立了基本模型 型号规格 训练了

基于libtorch实现手写数字mnist识别，包括NN和CNN两种网络结果。具体用法就是配置好libtorch，运行即可！