是基于用MATLAB编程的LDA程序，程序运行完美，训练集设置较为巧妙，方便学习者自己添加数据，而且注释非常详细，不仅注释了每步的作用，而且对出现的函数也做了介绍

负荷预测数据集（13个月，每天的用电量、温度、湿度、风速、降雨的详细信息）.rar

斯坦福大学机器学习教程中文以及深度学习笔记;方便要深入学习原理的童鞋打印下载

深度学习——机器学习的新浪潮.pdf

用于机器学习蛋白质结构的标准化数据集

基于协同过滤算法的个性化推荐系统【毕业设计源码+论文】 1、研究目的 基于协同过滤算法的个性化新闻推荐系统能够根据对用户在网站内的操作记录的分析，为用户推荐可能喜欢的新闻内容。另外，该系统还实现了新闻的新增、改、查、删操作，以及新闻的评论和回复、新闻评论管理等。 2、研究方法 首先，进行新闻内容采集，利用新闻爬虫，抓取新闻之后进行自动提取新闻的关键字，供新闻推荐使用。 其次，用户画像模型的训练，根据用户的操作历史分析出一个可以预测用户偏好的兴趣模型，即形成系统自定的表示该用户近期的兴趣指标的数据集。 最后，进行新闻推荐，根据用户画像模型分析得到一个关联内容的权重排序的集合结果，根据该集合给用户推荐相同关联内容相同的新闻。 3、研究结论 系统基本实现了按个性化推荐新闻的功能，其中的发布者中心模块、后台管理模块、前台模块的所有所有功能性正常，暂无验证缺陷，系统功能可以正常运行，包括新闻管理、评论管理、点赞、新闻推荐等所有功能。

在将机器学习应用于粒子物理学的过程中，一个持续的挑战是如何超越歧视来学习基础物理学。 为此，一个强大的工具将是无监督学习的框架，在该框架中，机器无需参考预先建立的标签，即可学习对其进行训练的数据的复杂高维轮廓。 为了处理这样一个复杂的任务，必须基于对数据的定性理解，智能地构建一个不受监管的网络。 在本文中，我们围绕数据背后的物理先导模型来构建神经网络的架构。 除了使无监督学习变得易于处理外，该设计还缓解了性能和可解释性之间的现有紧张关系。 我们将框架称为Junipr：“来自不受监督的可解释PRobabilistic模型的喷气机”。 在这种方法中，组成射流的粒子动量集合被聚类为神经网络依次检查的二叉树。 训练不受监督且不受限制：网络可以决定数据与所选树形结构几乎没有对应关系。 但是，当存在对应关系时，沿树的网络输出具有直接的物理解释。 瞻博网络模型可以通过统计上的最佳似然比检验执行判别任务，并且它们可以使喷气树中每个分支的辨别力可视化。 此外，瞻博网络模型提供了可以从中得出事件的概率分布，从而提供了数据驱动的蒙特卡洛生成器。 作为第三种应用，瞻博网络模型可以对一个（例如，模拟的）数据集的

宫颈细胞标注文件之Superficial-Intermediate.rar

2022_吴恩达机器学习课程(原始讲义)高清完整版PPTpdf 包含对应课程所有PPT 仅供大家学习使用，请勿用作商业目的

吴恩达机器学习2022配套课件以及代码