谷歌师兄的leetcode刷题笔记日志解析器 基于机器学习的日志解析器 数据集 日志大小 描述 来源 高密度文件系统 11197705 Hadoop 运行时日志 W. Xu、L. Huang、A. Fox、D. Patterson 和 MI Jordan，“通过挖掘控制台日志检测大规模系统问题”，Proc。 ACM SOSP, 2009, p. 117-132。 BGL 4747963 HPC Blue Gene/L 运行时日志 A. Oliner 和 J. Stearley，“超级计算机说什么：五个系统日志的研究”，Proc。 IEEE/IFIP DSN，2007 年，第 575-584 页。 火花 98671134 Spark 运行时日志 我们的 3 节点集群服务器承载我们实验室的计算任务，[] 阿帕奇 1643182 Apache 服务器访问日志 开源Apache服务器访问日志集，[] 美国大学 2408625 萨斯喀彻温大学的 WWW 服务器访问日志 MF Arlitt 和 CL Williamson，“Web 服务器工作负载特征：寻找不变量”，ACM SIGMETRICS P

为了提供医学数据可视化分析工具，引入了机器学习方法，以在医学数据库MIMIC-III（美国重症监护医学信息中心）中对肺部恶性肿瘤进行分类。 选择了K最近邻（KNN），支持向量机（SVM）和随机森林（RF）作为预测工具。 根据实验结果，将机器学习预测工具集成到医学数据可视化分析平台中。 该平台软件可以为医生提供灵活的医学数据可视化分析工具。 相关实践表明，即使没有经过专门的数据分析训练，医生也可以根据简单的步骤生成可视化的分析结果，以便医生对医院中积累的数据进行一些研究工作。

用机器学习中有监督学习模型支持向量机SVM来进行强对流天气的识别和预报。 强对流天气的发生可以看作是小概率事件，因此强对流天气的预警问题可以作为不平衡数据分类问题来处理。在SVM的应用上结合判别准则来对不平衡数据进行处理，更好的对强对流天气进行预警。本文从数据的获取、训练算法的选择、算法的应用、实验结果的评估几个方面进行了详细的描述。通过采用丹佛地区的数据进行大量试验，排除了不平衡数据对分类的干扰，提高了强对流天气识别的准确度。

近年来，新技术、新工艺的广泛应用使得电网建设得到长足的发展，给电网管理提出了更高的要求。电网业务涉及广泛，横跨多个信息系统，数据交错复杂、体量大，如何深度挖掘数据价值以应用到电网故障研判已经成为当前配网作业面临的巨大挑战。通过开展电网设备故障综合研判，进行数据的高效融合与深度挖掘，大幅度提升电网安全稳定运行水平，融合多元数据实现主动抢修，准确定位电网公司目前客户服务薄弱点，从而有效提升客户满意度，提高电网公司配网管理水平，提升企业形象。

基于机器学习的设备剩余寿命预测方法综述

在此脚本中，我使用多通道充电配置文件实现了基于机器学习的锂离子电池容量估计。 本例中使用的数据集来自 NASA[1] 的“电池数据集”。 最近发表的论文[2]引用了基本的实现理论和方法，他们提出了基于机器学习和深度学习模型的多通道充电配置文件进行容量估计。 通过这个例子，我将捕捉论文中描述的每种方法。 [1] B. Saha 和 K. Goebel (2007)。 “电池数据集”，NASA Ames Prognostics Data Repository ( https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/#battery )，NASA Ames 研究中心，Moffett Field，认证机构[2] Choi、Yohwan 等。 “利用多通道充电配置文件的基于机器学习的锂离子电池容量估计。

首先介绍了安全传输层（TLS，transport layer security）协议的特点、流量识别方法；然后给出了一种基于机器学习的分布式自动化的恶意加密流量检测体系；进而从 TLS 特征、数据元特征、上下文数据特征3个方面分析了恶意加密流量的特征；最后，通过实验对几种常见机器学习算法的性能进行对比，实现了对恶意加密流量的高效检测。

基于机器学习的垃圾短信识别应用.pdf

本文章针对机器学习进行充分解释说明，便于理解机器学习技术

基于机器学习的短期电力负荷预测方法研究