任务安排 1、机器学习导论       8、稀疏表示 2、KNN及其实现       9、核方法 3、K-means聚类      10、高斯混合模型 4、主成分分析          11、嵌入学习 5、线性判别分析      12、强化学习 6、贝叶斯方法          13、PageRank 7、逻辑回归              14、深度学习 主成分分析(PCA) Ⅰ算法背景：维数灾难       维数灾难最早是由理查德·贝尔曼(Richard E. Bellman)在考虑优化问题时提出来的 ，它用来描述当(数学)空间维度增加时，分析和组织高维空间(通常有成百上千维)中的数据，因

基于主成分分析和聚类分析对乐山各县区的教育水平综合评价

主成分分析理论介绍及举例Principal Component Analysis

主成分分析法案例讲解Ppt,多变量问题是经常会遇到的。变量太多，无疑会增加分析问题的难度与复杂性，而且在许多实际问题中，多个变量之间是具有一定的相关关系的。

最易懂的介绍主成份分析的PPt，从事图形处理，机器学习，数据挖掘和人工智能等方面开发人士必须掌握的知识。

主成分分析是一种常用的特征选择算法, 经典方法是计算各个特征之间的相关, 但是相关无法评估变量间 的非线性关系. 互信息可用于衡量两个变量间相互依赖的强弱程度, 且不局限于线性相关, 鉴于此, 提出一种基于互 信息的主成分分析特征选择算法. 该算法计算特征间的互信息, 以互信息矩阵的特征值作为评价准则确定主成分的 个数, 并衡量主成分分析特征选择的效果. 通过实例对所提出方法和传统主成分分析方法进行比较, 并以神经网络为 分类器分析分类效果.

各种类型的主成分分析详细代码，基于Matlab的完整实现

PCA是主成分分析，用于数据降维。

为解决PSO-FCM聚类算法针对多聚类问题，性能不足，容易陷入局部最优解，影响多聚类结果的准确度.提出一种基于PCA优化的PSO-FCM聚类算法，通过引入PCA分析方法，在粒子的各维度上设定不同的移动权重，降低粒子的敏感度，合理的控制粒子各维度上移动的速度，有效的降低粒子各维度上粒子无约束，位于多个聚类群交界处的粒子过分敏感，移动到错误的聚类的可能性增加.本文简要介绍了PSO-FCM算法的相关情况，详细介绍了本文的优化算法，最后通过实验证明，本文提出的优化算法在多个数据集上结果总体优于其他算法.

本matlab程序实现了基于PCA的人脸识别，并提供了相应的论文和测试数据集，并给出了测试结果。