y作m次多元式拟合的MATLAB代码机器学习（MATLAB）-正则化线性回归和偏差/方差 斯坦福大学的机器学习课程。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex5data1.mat 此仓库中包含的文件 ex5.m-分步练习的Octave / MATLAB脚本 ex5data1.mat-数据集 Submit.m-将解决方案发送到我们的服务器的提交脚本 featureNormalize.m-功能归一化功能 fmincg.m-函数最小化例程（类似于fminunc） plotFit.m-绘制多项式拟合 sigmoid.m-Sigmoid函数 trainLinearReg.m-使用成本函数训练线性回归 [⋆] linearRegCostFunction.m-正则化线性回归成本函数 [⋆] learningCurve.m-生成学习曲线 [⋆] polyFeatures.m-将数据映射到多项式特征空间 [⋆] validationCurve.m-生成交叉验证曲线 第1部分：正则线性回归 我们将执行正规化线性回归，以利用水库中水位的变化预测从大坝

ML-algotrade 项目名称：机器学习的算法交易 1.项目建议书 Baruch MTH 9899的小组项目-大数据II：机器学习 1.1项目成员 崔一凡 王成斌， 天， 1.2项目构想 使用不同的机器学习算法来修改传统的技术策略，并通过对研究的循环测试来找到一个好的算法， 机器学习算法 最近的邻居， 随机森林， 支持向量机， 技术策略 布林带 势头 旋转相对图我们Introduction to machine learning为指南来理解算法，并Evidence-based technical analysis来学习技术策略。 1.3数据集和软件：Quantopian Quantopian是我们的主要研究和回测平台，我们在此托管研究环境中研究算法交易思路并借助机器学习算法来探索策展的财务数据。 Quantopian支持灵活的数据访问，自定义绘图以及对回测的事后分

ML-Counselor：花旗杯项目

使用计算机视觉自动检测建筑物 在这个项目中，我们尝试训练基于神经网络的模型，该模型能够自动识别Nikki地区（贝宁）的建筑物。 我们从不带标签的通过Google Maps API获取的区域卫星图像开始。 这些图像将通过LabelIMG软件以YOLO格式标记，然后将为每个图像生成一个.txt文件，其中包含每个标记建筑物的相对位置。 标记完我们的训练图像后，我们就可以开始训练YOLO（一次只看一次），以便进行预测。 以下是蒙农镇上空行动的一个例子。

说话人二值化 说话人区分系统 内容 从wav文件中提取特征，然后通过无监督学习或有监督学习得出说话人识别以及某个说话人的语音起点，终点 数据预处理 ###无监督学习 wavs --> features --> kmeans(silhouette) --> num of speaker and time point 要求 scipy librosa sklearn numpy

aws well arhcitecture ml lens

masm中的ml.exe和ml64.exe编译器，喜欢就下载吧

线性回归梯度下降代码（ML_algorithm-master） 有Linear_regression、utils等

matlab声音信号相位代码一种识别火焰模型的多保真高斯过程方法 1. 亮点 提出了一种新的基于机器学习的策略，以有效降低火焰模型识别中的不确定性，从而确保可靠的燃烧器设计和分析。 该策略依赖于多保真高斯过程模型，该模型有效地聚合了低/高保真识别结果并平衡了计算工作量和准确性之间的权衡。 我们在从测试台获取的数据上成功测试了多保真策略。 我们的结果表明，给定相同的计算预算，所提出的策略在全局范围内产生更准确、更稳健的火焰模型识别。 这项工作最初在会议上发表，后来被期刊接受： Guo S.、Silva CF、Polifke W.，通过多保真高斯过程方法对火焰频率响应进行鲁棒识别。 声音与振动杂志，2021 年。 2. 动机 火焰模型构成了燃烧不稳定预测中不确定性的主要来源。 这种不确定性通常源于噪声时间序列数据的模型识别不完善。 最先进的识别方法要么准确但速度非常慢，要么速度快但包含很大的不确定性。 3. 方法论 我们旨在通过提出一种多保真机器学习方法来识别火焰模型，从而充分利用各自的优势，同时避免最先进方法的弱点。 这种方法吸收了低保真结果提供的全局趋势和高保真结果提供的局部估计，从而

ruby版本的netbeans开发工具，非常好用。