本文实例为大家分享了python K均值聚类的具体代码，供大家参考，具体内容如下 #-*- coding:utf-8 -*- #!/usr/bin/python ''''' k Means K均值聚类 ''' # 测试 # Ｋ均值聚类 import kMeans as KM KM.kMeansTest() # 二分Ｋ均值聚类 import kMeans as KM KM.biKMeansTest() # 地理位置 二分Ｋ均值聚类 import kMeans as KM KM.clusterClubs() from numpy import * # 导入数据集 def loadData

EPFL Course - Optimization for Machine Learning - CS-439

Python机器学习实战-数据&代码

python机器视觉实践课程设计作业--车牌检测与识别系统源码，主要可视化文件是main.py 初始车牌图片在plate_data 文件夹里 安装好requirements里的库（pip install -r requirements.txt）后直接运行 python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业--车牌检测与识别系统源码，python机器视觉实践课程设计作业

基于Tensorflow框架实现神经网络模型对手写数字的识别 基于Tensorflow框架实现神经网络模型对手写数字的识别 基于Tensorflow框架实现神经网络模型对手写数字的识别 基于Tensorflow框架实现神经网络模型对手写数字的识别

python机器学习大作业用numoy构建原始CNN网络项目源码。在本项目中，通过numpy实现了一个CNN网络，包括其中的卷积层，池化层以及全连接层，通过公式推导、代码编写，加深了对于卷积、池化、反向传播等概念的理解。 采用现在主流的深度学习框架Pytorch实现识别，并与自己搭建的CNN训练结果进行比较。 采用相同的网络结构： self.conv1 = nn.Conv2d(in_channels=1, out_channels=8, kernel_size=3, padding=0, stride=1) self.maxpool = nn.MaxPool2d(kernel_size =2, stride=None, padding=0) self.fc1 = nn.Linear(13 * 13 * 8, 512) self.fc2 = nn.Linear(512, 10) 在3个epoch下测试结果： 相比与用numpy实现的CNN，其具有较高的稳定性，以及训练速度，因为PyTorch将输入转为张量形式，转入GPU中训练，同时用了SGD优化器，加快loss收敛速度。

这个数据是nba15-16赛季的数据，同时有第二年的赛程表，可以利用这份数据进行战绩预测，同时可以与真实数据进行比较

Python机器学习，源代码，课件

Python基于机器学习进行房价预测.zip

Python机器学习基础教程 Python机器学习实践指南 Python机器学习经典案例