MEAN.JS 是一个全栈 JavaScript 开源解决方案，它为基于 、 、 和的应用程序提供了一个坚实的起点。 这个想法是通过连接这些框架来解决常见问题，构建一个强大的框架来支持日常开发需求，并帮助开发人员在使用流行的 JavaScript 组件时使用更好的实践。 在你开始之前 在开始之前，我们建议您阅读有关组装 MEAN.JS 应用程序的基本构建块的信息： MongoDB - 浏览并继续阅读他们的，这应该可以帮助您更好地了解 NoSQL 和 MongoDB。 Express - 了解 express 的最佳方式是通过其，该有指南，以及一般 Express 主题的指南。 您还可以通过此获取更多资源。 AngularJS - Angular 的是一个很好的起点。 您还可以使用Thinkster 流行指南和Egghead 视频。 Node.js - 首先浏览Node.js 官方

k-means分割图片在python中的实现。K均值聚类算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。

matlab 代码实现An EM-like algorithm for color-histogram-based object tracking

在 Michael Moser 的 MEAN 教程中创建的应用程序

k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似 度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来 进行计算的。 　　k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象 ，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算 每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用 均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

自己写的mean shift 算法，用于聚类。

资源里面包含了聚类方法中mean-shift聚类方法的实现，代码是matlab代码，导入matlab即可使用。

#Blog 使用 Meanjs 版本 0.1 要求： 意思是 运行 grunt 来测试应用程序

聚类 今天说K-means聚类算法，但是必须要先理解聚类和分类的区别，很多业务人员在日常分析时候不是很严谨，混为一谈，其实二者有本质的区别。 分类其实是从特定的数据中挖掘模式，作出判断的过程。比如Gmail邮箱里有垃圾邮件分类器，一开始的时候可能什么都不过滤，在日常使用过程中，我人工对于每一封邮件点选“垃圾”或“不是垃圾”，过一段时间，Gmail就体现出一定的智能，能够自动过滤掉一些垃圾邮件了。这是因为在点选的过程中，其实是给每一条邮件打了一个“标签”，这个标签只有两个值，要么是“垃圾”，要么“不是垃圾”，Gmail就会不断研究哪些特点的邮件是垃圾，哪些特点的不是垃圾，形成一些判别的模式，这样

是python编写的k-means算法，可以进行西瓜书数据集的聚类，以及图片像素点的聚类