近年来，联邦学习作为解决数据孤岛问题的技术被广泛关注，已经开始被应用于金融、医疗健康以及智慧城市等领域。从3个层面系统阐述联邦学习算法。首先通过联邦学习的定义、架构、分类以及与传统分布式学习的对比来阐述联邦学习的概念；然后基于机器学习和深度学习对目前各类联邦学习算法进行分类比较和深入分析；最后分别从通信成本、客户端选择、聚合方式优化的角度对联邦学习优化算法进行分类，总结了联邦学习的研究现状，并提出了联邦学习面临的通信、系统异构、数据异构三大难题和解决方案，以及对未来的期望。

基于机器学习算法的特征值分类(MATLABR2019b)：特征值分类 (EigenClass)。 在这项研究中，提出了一种精确高效的基于特征值的机器学习算法，特别是特征值分类（EigenClass）算法，用于处理分类问题。 使用具有不同属性和类别的 20 个不同数据集的数量进行比较。每个算法都经过 5 折交叉验证训练和测试 30 次。然后根据最常用的度量（例如准确度、精确度、召回率、微观 F 度量和宏观 F 度量）将结果相互比较。

CSDN 博客热门文章 用深度学习算法预测未来股票走势 的 PDF 文件版本，进行了优化调整，更清晰。可以帮助学习人工智能/机器学习的同学了解怎样在股票市场发挥预测作用，代码可以完美运行。

CSDN 博客热门文章 用深度学习算法预测未来股票走势 的 源码文件，Jupyter Notebook 文件，代码可以完美运行。可以帮助学习人工智能/机器学习的同学了解怎样在股票市场发挥预测作用。

电动汽车目标销售策略研究：内容包括训练集与测试集，数据处理方法，模型使用，模型评价，可视化等方面。处理数据中的异常值、缺失值，使用不同的可视化方法可视化数据中的预测变量、根据不同的品牌汇总数据的变量。可视化图例包括：雷达图、热图、散点图。柱形图、条形图。模型方面包括glmnet模型，SCAD模型，集成模型。可视化方面包括可视化混淆矩阵，ROC曲线等等。 电动车目标销售策略为类失衡建模，针对类失衡建模的处理，可以参考本人博客中对于类失衡问题的解释，算作是对于该项目的一个扩展。 模型方面也可供各位下载者进行扩展：神经网络、C50、svm、随机森林等。

机器学习算法基础资料和代码

摘要源领域和目标领域特征空间的不一致导致迁移学习准确率下降为此提出一种基于的 不 同领 域 特 征 对 齐 算 法 只 选 取 形 容 词 副 词 名 词 动

smote的matlab代码信用卡欺诈检测 在这个项目中，我们将分析包含来自 Kaggle () 的 284,807 笔交易中的 492 笔欺诈的数据集。 这些交易是由欧洲信用卡持有人于 2013 年 9 月进行的。我们这个项目的目标是将数据集放入我们的机器学习模型中，以便在处理该数据集高度不平衡的问题的同时进行精确预测。 由于有28个变量是主成分分析（PCA）变换的结果，并且没有给出变量的信息，我们将删除具有相似分布的变量。 我们的下一步是处理不平衡的问题。 我们将使用合成少数过采样技术 (SMOTE) 对数据集进行重新采样，以使欺诈和正常交易的数量均匀。 最后一步是比较机器学习方法，我们发现 Xgboost 返回了最高的 AUC 分数。

一、机器学习的分类： 监督学习（supervised learning）：线性回归，逻辑回归，KNN，神经网络，决策树，集成学习，SVM，贝叶斯，协同过滤，LDA 无监督学习（unsupervised learning）：聚类、关联规则，PCA降维 …… 二、机器学习中主要解决问题包括：分类，回归，聚类，降维 ……

adaboost 演示demo（基于Matlab，学习算法包括决策树、神经网络、线性回归、在线贝叶斯分类器等），动态GUI显示学习过程、vote过程等