点评：根据api实现了股票走势搜索等功能； 目录结构： image — 存放项目图片 pages — 存放项目页面相关文件 utils — 存放utils文件，可require引入   代码示例：   免责声明：本站所有文章和图片均来自用户分享和网络收集，文章和图片版权归原作者及原出处所有，仅供学习与参考，请勿用于商业用途，如果损害了您的权利，请联系网站客服处理。

找了好久都是积分钱的，好不容易找到的，里面很多算法都有。引用人家要标注Mostapha Kalami Heris, Imperialist Competitive Algorithm (ICA) in MATLAB (URL: https://yarpiz.com/247/ypea118-imperialist-competitive-algorithm), Yarpiz, 2015.

半监督词典学习，用于宽范围语义解析

VC远控源码集合 大灰狼 star rat Gh0st 偷窥者 守望者 PCSHARE等几十个经典源码，可以下载学习交流

与传统的基于单模式的方法相比，它在诊断和预后阿尔茨海默氏病（AD）以及其前驱阶段（即轻度认知障碍（MCI））方面显示出巨大的优势。 然而，据我们所知，大多数现有方法都集中于挖掘同一主题的多种模式之间的关系，而忽略了不同主题之间的潜在有用关系。 因此，在本文中，我们将通过全面研究模态与主题之间的关系，为AD / MCI的多模态分类提出一种新颖的学习方法。 具体来说，我们提出的方法包括两个后续组件，即标签对齐的多任务特征选择和多模式分类。 在第一步中，将从多种模态中学习的特征选择视为不同的学习任务，并使用组稀疏性正则化器共同选择相关特征的子集。 此外，为了利用标记对象之间的区别信息，在标准多任务特征选择的目标函数中添加了一个新的标签对齐正则化术语，其中标签对齐意味着所有具有相同类别标签的多模态对象应在距离上更近。新的功能减少的空间。 第二步，采用多核支持向量机（SVM）融合多模态数据中的选定特征，以进行最终分类。 为了验证我们的方法中，我们执行在阿尔茨海默病的神经影像学倡议（ADNI）数据库使用基线MRI和FDG-PET成像数据的实验。 实验结果证明我们提出的方法与几种用于AD / MCI

学习标日上册的笔记，自用，不外传，麻烦通过一下

希望能帮助更多想学习的人

深度补丁学习，用于弱监督的对象分类和发现

了解多个目标，单个目标如何进行编译后删除。

Python机器学习 小型机器学习项目，以了解核心概念（顺序：从最早到最新） 使用带有新闻组20数据集的潜在Dirichlet分配进行主题建模，并使用Python和Scikit-Learn实现 在MNIST数据集上实现了用Keras构建的简单神经网络 使用线性回归的Google股票价格预测 实现了一个简单的社交网络来学习Python基础 实施Naives Bayes分类器以过滤SpamAssasin公共语料库上的垃圾邮件 使用Keras和Scikit-Learn的银行数据集的客户流失预测模型 从零开始实施随机森林，并在UCI存储库的Sonar数据集上建立分类器 示例数据集上Python中的简单线性回归 Python在样本数据集上的多元回归 PCA和使用Python缩放样本股票数据[working_with_data] 示例数据集上Python中的决策树 示例数据集上的Python中的Logistic回归 在Python中建立神经网络以击败验证码系统 辅助方法包括用于统计，概率，线性代数和数据分析的常用运算 用示例数据进行K均值聚类； 用k均值聚类颜色; 自下而上的层次聚类 生成词云