实现拉普拉斯修正的朴素贝叶斯分类器，以西瓜数据集 3.0 为训练集，对“测 1”样本进行判 别

试编程实现k 均值算法，设置三组不同的 k 值、三组不同初始中心点，在西瓜数据集 4.0 上进行实验比较，并讨论什么样的初始中心有利于取得好结果。

编程实现k 近邻分类器，利用西瓜数据集 3.0 预测编号为 8 的西瓜的类别

PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。此资源为B站刘二大人的pytorch深度学习实战资料包，希望对大家有所帮助。

本次资源包括pca的python代码，以及测试数据集。 降维是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。通过降维可以减少 冗余信息所造成的误差,提高识别的精度，或者通过降维算法来寻找数据内部的本质结构特征。

【特征工程是什么？】 身高不同的两人，比较体重毫无意义， 但是如果将身高体重加以计算，转化成了BMI指数：BMI=体重/(身高^2) 通过比较这个新创造的特征值，谁胖谁瘦就一目了然了。 这就是特征工程，将原始数据转换为可以更好的、代表预测模型潜在问题的特征，通过分析这个新的特征，可以得到更准确的预测结果。 【特征工程——Python数据分析必备】 脏数据的“清洗剂” 有人说：学会了Python语言，就会做数据分析？ 不一定！ 你拿到的数据样本集，有可能存在这些问题： 如果样本数据存在问题，对数据建模的执行效率会有很大影响，甚至可能会造成模型结果的偏差。 不懂特征工程，数据分析=白忙一场！ 【站内首门！特征工程全解课程】 过去，数字化是企业优化的要点； 而今，数字化成为了企业活下去的关键。 而数据分析应用有多广，特征工程的学习需求就有多大。 不过，大部分课本对于特征工程这一知识点鲜有提及，市面上的课程也少之又少，导致很多人在实际工作或学习中，遇到问题束手无策，严重降低效率。 CSDN全站首发——Python数据处理与特征工程 课程聚焦数据科学中，数据清

零起点PYTHON机器学习快速入门.zip

pretrained_model-使用pytorch/examples/mnist训练的 MNIST 模型的路径。 为简单起见，请在此处下载预训练模型。

平面上两类点集的区分是迈向人工智能机器学习的第一步。本例程用Python编程实现对平面上二点集的分类。例程中设置了训练集和测试集，用训练集算出最优分类直线，还能通过测试集对分类直线的内容进行正确率预测。二分类原理可以参考我的文章：https://blog.csdn.net/m0_53253879/article/details/123915601?spm=1001.2014.3001.5501 本文章适合没有二分类机器学习基础的同学去理解。祝大家学习愉快！

2018北风网人工智能(完结)转，机器学习，深度学习，人工智能AI，图像识别，图像处理，自然语言处理nlp，python入门，数据挖掘，项目都有，全套完整的